结合协同训练的深度图像分类网络

《结合协同训练的深度图像分类网络》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、单位代巧：１０２９３密级：公开為凌著考典緣您硕女化Ａ■■ＥＳｐｆｍ论文题目：结合协同训练的深庵阁像分类网络＇．．，．．：－．学号１２１３０１２１巧姓名呈泰水导师李睹飞．专业学位类别工程硕±类型全日制专业（领域）电子与演信工提坤啤＇论文提交日期、．２０１６年４月‘：－ｕ－飞．？為＇－．＼／‘义ｊ—ｒ：Ｖ；－，Ｖ产：、．．护Ｖ．＇■：Ｉ，．？■＾．．。，南京邮电大学学

2、位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研巧工作及取得的研究成果。尽我所知，除了文中特别加妓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也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。的研充成粟，。与我一同工作的同志对本研巧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一。本人学位论文及涉及相关资料若有不实，愿意承担切相关的法律责任。．乂葦魚日期３＇良朵《：研究生签名：南京邮电大学学位论文使用授权声明＾保送交论文的复印件和

3、电子文：＾本人授权南京邮电大学可｜留并向国家有关部口或机构挡；可从将学位论文的全部或部分内容编入有关数据库进行检索；可；允许论文被查阅和借闽论采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。涉密学位论文在解密后适用本授权书。’山－来：ｗｂ研究生签名：杂导师签名；日期Tri-TrainingbasedDeepLearningNetworkforImageClassificationThesisSubm

4、ittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByWuQinlongSupervisor:Prof.LiXiaofeiApril2016摘要近十年来，深度学习作为一种强有力的目标表征结构，在特征提取、数据分析、图像处理和自然语言理解等领域取得了较以往浅层表征更优越的结果。深度学习的训练算法解决了多隐层感知器模型的最优化问题，其拥有更加强大的数据特征表达能力。其中，具有局部感知和共享权值等特点的卷

5、积神经网络在图像局部特征理解和网络训练时间上更具优势。图像大数据应用的蓬勃发展也使得以卷积神经网络为代表的深度网络在千万级的图像分类任务中发挥了及其重要的应用价值。本文在深入研究了主流深度学习算法的原理和网络结构的基础上，总结和介绍了深度卷积神经网络的结构特点和训练流程，并将卷积神经网络运用到实际图像识别任务中。此外，考虑到实际分类任务场景复杂性，本文结合协同训练算法和卷积神经网络，构建了一种能持续自动学习新特征的通用图像目标分类方法。主要工作如下：1）在理解传统BP神经网络算法原理的基础上，深入研究了卷积神经网络的

6、结构特点，并介绍了卷积神经网络使用梯度下降法的训练流程。2）将卷积神经网络应用于手写体图像识别实验中，通过实验进一步直观验证了卷积神经网络对图像数据优越的表征能力，并观察不同的网络参数对卷积神经网络分类效果的影响。3）结合协同训练算法和卷积神经网络，构建了一种能够自动学习新特征的通用目标分类网络；通过标记置信度的约束和去噪训练算法的优化，提高了深度协同训练网络的鲁棒性。4）将深度协同训练网络应用于基于图像的性别识别和人车分类实验中，通过与传统协同训练算法分类效果的对比，总结了深度协同训练网络的优缺点。关键词:深度学习

7、，协同训练，卷积神经网络，图像分类IAbstractOverthepastdecade,thedeeplearningalgorithmisaneffectivestructureforcharacterrepresentation,whichhaveperformedbetterthantraditionalnetworkinfeatureextraction,dataanalysis,imageprocessingandnaturallanguageunderstanding.Thetrainingalgorit

8、hmfordeeplearninghassolvedtheoptimizationproblemsformulti-layersperceptronmodels,whichhasamorepowerfulperformanceonfeatureextraction.Amongthem,thedeepconvolutionneuralnetwor