深度学习在图像识别中的研究及应用

《深度学习在图像识别中的研究及应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、？深度（申请工学硕士学位论文）学习在图像识别中深度学习在图像识别中的的研究及应用研究及应用培养单位：信息工程学院学科专业：通信与信息系统研究生：李卫李卫指导教师：苏杨副教授武汉2014年5月理工大学万方数据分类号密级UDC学校代码10497学位论文题目深度学习在图像识别中的研究及应用英文Theresearchandapplicationofdeeplearning题目inimagerecognition研究生姓名李卫姓名苏杨职称副教授学位硕士指导教师单位名称信息工程学院邮编430070申请学位级别硕士学科专业名称通信与信息系统论文提交日

2、期2014年4月论文答辩日期2014年5月学位授予单位武汉理工大学学位授予日期2014年6月答辩委员会主席刘泉评阅人刘泉吕锋2014年5月万方数据独创性声明本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：日期：学位论文使用授权书本人完全了解武汉理工大学有关保留、使用学位论

3、文的规定，即学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人承诺所提交的学位论文（含电子学位论文）为答辩后经修改的最终定稿学位论文，并授权武汉理工大学可以将本学位论文的全部内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认可的国家有关机构或论文数据库使用或收录本学位论文，并向社会公众提供信息服务。(保密的论文在解密后应遵守此规定)研究生(签名)：导师(签名)：日期：万方数据武汉理工大学硕士论文摘要对图像进行精确识别，具有非常重要的研究意义，图像

4、识别技术在医药学、航天、军事、工农业等诸多方面发挥着重要的作用。当前图像识别方法大多采用人工提取特征，不仅费时费力，而且提取困难；而深度学习是一种非监督学习，学习过程中可以不知道样本的标签值，整个过程无需人工参与也能提取到好的特征。近年来，将深度学习用于图像识别成为了图像识别领域的研究热点，已取得了良好的效果，并且有广阔的研究空间。本文基于深度学习在图像识别的相关理论，分析了深度学习的基本模型和方法，并在相关图像数据集上实验论证；另外鉴于深度学习多用于大样本集，本文基于小样本提出了一种改进算法，具体工作内容如下：（1）分析深度学习中卷积

5、神经网络（ConvolutionalNeuralNetworks，CNNs）的基本原理，研究其训练过程和模型结构。其中卷积层通过卷积运算，可以使原信号增强，并且降低噪声，提高信噪比；降采样对卷积层的图像进行子抽样，在保证了有用信息不降低的基础上，减少数据处理量。将其在MNIST手写字体数据集上进行实验，通过对比分析了该方法和其他经典算法在识别率和时间方面的优劣。（2）针对于卷积神经网络训练时间过长这一缺陷，分析了深度学习中深度信念网络（DeepBeliefNetworks，DBNs）的基本原理、训练过程和模型结构。DBNs的分层训练机制

6、大大减少了训练难度，减少了训练时间。引入Softmax作为模型的分类器，将其在MNIST手写字体数据集上进行实验，实验表明：深度信念网络在识别率上和卷积神经网络持平，但训练方法的改善使得消耗时间大大减少。此外，该方法在自然场景CIFAR-10库上也有较好的实验效果。（3）鉴于深度学习多适用于较大的数据集，针对小样本提出了一种改进的深度信念网络结构：深度信念网络整个过程可以分为预训练和参数微调两个阶段，改进的算法在预训练阶段对样本进行降采样；在参数微调阶段引入随机隐退（Dropout），将隐含层的结点随机清零掉一部分，保持其权重不更新。将

7、改进的模型在MNIST子集和ORL数据集上进行实验，实验表明：在小样本中，引入降采样和随机隐退后，深度信念网络在识别率和耗时方面都有不错的改善，过拟合现象得到有效缓解。关键字：深度学习图像识别卷积神经网络深度信念网络小样本集I万方数据武汉理工大学硕士论文AbstractPreciserecognitionforimageHasveryimportantresearchsignificance,imagerecognitiontechnologyiswidelyusedinMedicine,spacemilitary,industryan

8、dagriculture.AsnowmostmethodofimagerecognitionUsedartificialfeatureextractionwhichNotonlylaborious,buta