基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法

1、指導(dǎo)老師：指導(dǎo)老師：-匯匯 報(bào)報(bào) 人：人：-123卷積神經(jīng)網(wǎng)絡(luò)原理圖像分類算法設(shè)計(jì)與實(shí)現(xiàn)圖像分類概述圖像分類目標(biāo)圖像分類就是根據(jù)不同圖像的特征，把圖像按照內(nèi)容的不同分成不同類別圖像分類就是根據(jù)不同圖像的特征，把圖像按照內(nèi)容的不同分成不同類別Cat Or Non-Cat ？方法選擇支持向量機(jī)（支持向量機(jī)（SVM）是比較經(jīng)典的用于分類的機(jī)器學(xué)習(xí)方法，即使在樣本數(shù)量很少的情況下，也能得到相對(duì)好的結(jié)果，并且，由于最終分類器分類超平面的確定，只與有限的幾個(gè)“支持向量”有關(guān)，訓(xùn)練速度比較快。卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種多層感知機(jī)，對(duì)于圖像來說，相鄰像素的相似度一般來說高于相隔很遠(yuǎn)的兩個(gè)像素，卷

2、積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上的優(yōu)越性，使得它可以更關(guān)注相鄰像素的關(guān)系，而對(duì)相隔一定距離的像素之間的連接進(jìn)行了限制。所以，卷積神經(jīng)網(wǎng)絡(luò)的這種結(jié)構(gòu)，符合圖像處理的要求，也使卷積神經(jīng)網(wǎng)絡(luò)在處理圖像分類問題上有天然的優(yōu)越性K最近鄰算法（最近鄰算法（KNN）是無監(jiān)督的學(xué)習(xí)方法，無需預(yù)先進(jìn)行標(biāo)注，不需要確定樣本的類別，甚至無需知道所獲得的數(shù)據(jù)可以分為幾類。對(duì)于類域有交叉或者重疊的分類任務(wù)更適合。卷積神經(jīng)網(wǎng)絡(luò)我們假設(shè)對(duì)一張我們假設(shè)對(duì)一張32*32的彩色圖片，有三個(gè)通道，所以用一個(gè)的彩色圖片，有三個(gè)通道，所以用一個(gè)32*32*3的矩陣的矩陣就能表示這樣的圖片，然后對(duì)該圖片進(jìn)行均勻分割，分割成了就能表示這樣的圖片，然后對(duì)該

3、圖片進(jìn)行均勻分割，分割成了6*6=36張小圖張小圖片，將每個(gè)獨(dú)立的小圖片輸入神經(jīng)網(wǎng)絡(luò)，對(duì)個(gè)通道做同樣的操作，最終形成片，將每個(gè)獨(dú)立的小圖片輸入神經(jīng)網(wǎng)絡(luò)，對(duì)個(gè)通道做同樣的操作，最終形成特征向量。為了保證圖像局部的特征，并過濾掉那些距離較遠(yuǎn)的無關(guān)特征，特征向量。為了保證圖像局部的特征，并過濾掉那些距離較遠(yuǎn)的無關(guān)特征，采用了權(quán)值共享的策略。所謂權(quán)值共享，就是指在圖片同一位置的權(quán)重是相采用了權(quán)值共享的策略。所謂權(quán)值共享，就是指在圖片同一位置的權(quán)重是相同的，這樣做不僅僅是出于減少參數(shù)個(gè)數(shù)的考慮，還結(jié)合了圖像本身的特同的，這樣做不僅僅是出于減少參數(shù)個(gè)數(shù)的考慮，還結(jié)合了圖像本身的特點(diǎn)點(diǎn)相鄰像素間的相關(guān)關(guān)系總

4、是大于相隔較遠(yuǎn)像素之間的關(guān)系相鄰像素間的相關(guān)關(guān)系總是大于相隔較遠(yuǎn)像素之間的關(guān)系卷積神經(jīng)網(wǎng)絡(luò)下采樣相當(dāng)于特征的降維，在降維的同時(shí)保證了一定程度的尺度不變特性。下采樣相當(dāng)于特征的降維，在降維的同時(shí)保證了一定程度的尺度不變特性。即使經(jīng)過了一定的平移和變換，對(duì)應(yīng)的下采樣特征可能還是相同的。下采樣即使經(jīng)過了一定的平移和變換，對(duì)應(yīng)的下采樣特征可能還是相同的。下采樣保留了最重要的特征，丟棄了相對(duì)不重要的特征，不僅減少了參數(shù)的數(shù)量，保留了最重要的特征，丟棄了相對(duì)不重要的特征，不僅減少了參數(shù)的數(shù)量，還減少了過擬合的風(fēng)險(xiǎn)。還減少了過擬合的風(fēng)險(xiǎn)。卷積神經(jīng)網(wǎng)絡(luò)圖像分類基本流程實(shí)驗(yàn)環(huán)境操作系統(tǒng)操作系統(tǒng)Windows 1

5、0 64位操作系統(tǒng)位操作系統(tǒng)處理器處理器Intel i5 CPU內(nèi)存內(nèi)存6GB DDR3 1600Python版本版本Python 3.5.2Anaconda版本版本Anaconda 4.2.0深度學(xué)習(xí)框架深度學(xué)習(xí)框架TensorFlow數(shù)據(jù)來源及文件組織create_dataset創(chuàng)建數(shù)據(jù)集創(chuàng)建數(shù)據(jù)集train_catvnoncat.h5訓(xùn)練集數(shù)據(jù)文件訓(xùn)練集數(shù)據(jù)文件test_catvnoncat.h5測(cè)試集數(shù)據(jù)文件測(cè)試集數(shù)據(jù)文件nnn_app_utils_v2.py正向傳播正向傳播dnn_app_utils_v2_back.py反向傳播反向傳播cnn.py卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)與測(cè)試卷積神經(jīng)網(wǎng)絡(luò)實(shí)

6、現(xiàn)與測(cè)試訓(xùn)練集訓(xùn)練集CIFAR-108000測(cè)試集測(cè)試集1CIFAR-102000測(cè)試集測(cè)試集2互聯(lián)網(wǎng)隨機(jī)圖片互聯(lián)網(wǎng)隨機(jī)圖片100構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)輸入輸入實(shí)驗(yàn)所用的數(shù)據(jù)是實(shí)驗(yàn)所用的數(shù)據(jù)是32*32的三通道彩色圖像，為了平衡算法性能和穩(wěn)定性，的三通道彩色圖像，為了平衡算法性能和穩(wěn)定性，設(shè)置了如圖設(shè)置了如圖所示所示結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，較小的卷積核可以保證算法的效結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，較小的卷積核可以保證算法的效率，同時(shí)較深的結(jié)構(gòu)又保證了算法能夠有效地抽象出圖像的特征率，同時(shí)較深的結(jié)構(gòu)又保證了算法能夠有效地抽象出圖像的特征構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)輸入輸入每個(gè)卷積層之后都有一個(gè)每個(gè)卷積層之后都有一個(gè)ReLU層，最終總體的層，最終總體的CNN網(wǎng)絡(luò)結(jié)構(gòu)，由一個(gè)輸網(wǎng)絡(luò)結(jié)構(gòu)，由一個(gè)輸入層和兩個(gè)入層和兩個(gè)圖上的圖上的結(jié)構(gòu)，一個(gè)全連接層和一個(gè)結(jié)構(gòu)，一個(gè)全連接層和一個(gè)Softmax層和