基于卷积神经网络的图像分类

《基于卷积神经网络的图像分类》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据专业学位硕士学位论文基于卷积神经网络的图像分类ImageClassificationbasedonConvolutionalNeuralNetworks学31201004完成日期：2Q!墨么Q垒么圣Q大连理工大学DalianUniversityofTechnology万方数据大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已

2、在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文题目：型三妾包盘墨查趁堡堡趟匿越作者签名：幽日飙一盟肼』月生日万方数据大连理工大学专业学位硕士学位论文摘要深度学习(Deeplearning，DL)是机器学习(MachineLearning，ML)的一个崭新的领域，它的目的就是让机器学习更加接近其终极目标．人工智能。卷积神经网络是深度学习算法中的一种，具有结构简单、适应性强、训练参数少而连接多等特点，近年来被广泛应用在图像处理和模式识别等领域。Dropout是一种训练神经网络的思路，通过随机地将隐藏层的部分神经元的输出值归零而阻碍特

3、征间的共生作用，降低了神经网络模型的测试误差，进而提高了神经网络模型泛化能力。支持向量机是一个分类算法，通过结构风险最小化理论提高模型的泛化能力。Caffe是一个开源的深度学习框架，具有执行速度快和模块清晰等特点。本文提出了一个卷积神经网络模型MNIST-Net，在模型·的最后一层采用HingeLoss取代传统的Soft．Max回归进行分类，在未使用Dropout情况下将MNIST测试集的峰点准确率从99．05％提高到99．36％，平均峰点准确率从98．964％提高到99．278％；在使用Dropout的情况下将峰点准确率从99．14％提高到99．39％，平均峰点准

4、确率从99．024％提高到99．321％。关键词：卷积神经网络；支持向量机；Dropout；Caffe万方数据基于卷积神经网络的图像分类ImageClassificationbasedOI'1ConvolutionalNeuralNetworksAbstractDeeplearningiSanewareaofMachinelearningresearch．whichhasbeenintroducedwiththeobjectiveofmovingmachinelearningclosertooneofitsoriginalgoals：ArtificialIntell

5、igence．Convolutionalneuralnetworks(CNNs)，whichisoneofdeeplearningalgorithmsthatiswidelyusedinimageprocessingandpatternrecognitionwiththecharacteristicsofsimplicity，strongadaptabilityandfewparameters．Dropoutisanovelneuralnetworktrainingmethod，whichrandomlyomitshaIfofthefeaturedetectorso

6、neachtrainingcasetoreducetesterrorandimprovethegeneralityofthenetworks．Supportvectormachineisoneclassificationalgorithm，whichimprovesthegeneralizationabilityofmodelthroughstructuralriskminimization．CaflfeiSadeeplearningframe．workwithexpression，speed，andmodularityinmind．Inthisarticle，we

7、introducedanewCNNmodelusinghingelOSSasthelastlayerinsteadoftraditionalsoft．Maxregressionandimprovedtopaccuracyfrom99．05％to99。36％andaveragetopaccuracyfrom98．964％to99．278％withoutdropoutandtopaccuracyfrom99．14％to99．39％andtopaccuracyfrom99．024％to99．321％withdropout．KeyWords：CNNs；SVM；Dropo