卷积神经网络在图像识别中的应用

《卷积神经网络在图像识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、卷积神经网络在图像识别中的应用目录卷积神经网络的发展及其特点卷积神经网络模型卷积神经网络的训练卷积神经网络应用于人脸识别Hubel和Wiesel在研究猫脑皮层中用于局部敏感方向选择的神经元时，发现其独特的网络结构可以有效降低反馈神经网络的复杂性。Fukushima提出了第一个基于神经元之间的局部连接型和层次结构组织的用于转化图像的网络Neocognition.根据Fukushima的观点，LeCun提出了以LeNet为代表的卷积神经网络。卷积神经网络的发展卷积神经网络的特点卷积神经网络是一类特别设计用来处理二维数据的多层神经网络。卷积神经网

2、络被认为是第一个真正成功的采用多层层次结构网络的具有鲁棒性的深度学习方法。用卷积神经网络做图像处理时，原始图像不需要太多的预处理就可以较好地学习到图像的不变性特征。权值共享、局部感受野和子采样是卷积神经网络不同于其它神经网络的三个主要特征。卷积神经网络模型输入图像通过滤波器和可加偏置进行卷积得到C1层；对C1层的特征图进行下采样得到S2层；对S2层的特征图进行卷积得到C3层；对C3层的特征图进行下采样得到S4层；S4层的特征图光栅化后变成的向量输入到传统的全连接神经网络进行进一步分类，得到输出；输入C1S2C3S4NN卷积和下采样（降采样）

3、过程卷积过程：用一个可训练的滤波器去卷积输入图像或特征图，然后加上一个偏置，得到卷积层；下采样过程：领域几个像素通过池化变为一个像素，然后通过加权，加偏置，再通过一个Sigmoid函数，产生特征映射图；∑X∑*∑input卷积过程池化过程：取某个特定区域的最大值或平均值1110001110001110011001100101010101111011001过滤器×图像卷积特征5249386161839138取平均值94卷积神经网络的训练过程第一阶段：前向传播过程第二阶段：反向传播过程从样本集中取一个样本输入到网络中；计算相应的实际输出；在这个

4、阶段，输入的信息经过逐层变换，传输到输出层。主要是前向的特征提取。计算实际输出与期望输出的差；按极小化误差的方法反向传播，调整权值矩阵；反向传播就是误差的反向反馈和权值的更新。网络训练流程图图像输入卷积和采样过程全连接层输出层是否符合期望输出结果参数初始化前向反馈变换、计算增强、逻辑回归是前向传播否误差反馈权值更新反向传播OlivettiFaces人脸数据集介绍OlivettiFaces是纽约大学的一个比较小的人脸库包含40个人的人脸图片，每个人10张人脸样本，共400份样本程序所参考的卷积神经网络结构：LeNet-5两个“卷积+子采样层”

5、LeNetConvPoolLayer全连接层相当于MLP（多层感知机）中的隐含层HiddenLayer输出层采用逻辑回归LogisticRegressioninput+layer0(LeNetConvPoolLayer)+layer1(LeNetConvPoolLayer)+layer2(HiddenLayer)+layer3(LogisticRegression)程序模块介绍加载图像数据函数：load_data(dataset_path)卷积+采样层：classLeNetConvPoolLayer(object)全连接层（隐藏层）：cla

6、ssHiddenLayer(object)分类器，即CNN最后一层：classLogisticRegression(object)保存训练参数函数：save_params(param1,param2,param3,param4)learning_rate=0.05//学习速率batch_size=40//一次输入CNN的样本数n_epochs=100//最大训练步数nkerns=[20,50]//第一层卷积核个数为20，第二层卷积核个数为50poolsize=(2,2)//从一个2*2的区域里maxpooling出1个像素程序中可设置的参数

7、谢谢！