基于卷積神經(jīng)網(wǎng)絡(luò)的物品識(shí)別研究與實(shí)現(xiàn).pdf

1、隨著智能手機(jī)的廣泛使用和4G、Wifi等高速網(wǎng)絡(luò)的普及，圖像正在成為人們信息交流的主要載體，如何借助計(jì)算機(jī)、手機(jī)等身邊的工具提取圖像上未知物品信息的需求變得越來越迫切。早期的物品識(shí)別方法需要根據(jù)不同的分類任務(wù)設(shè)計(jì)不同的特征提取算子，可擴(kuò)展性較差，不能滿足實(shí)際應(yīng)用中對(duì)復(fù)雜環(huán)境下多種類物品識(shí)別的需求。隨著大規(guī)模訓(xùn)練數(shù)據(jù)的產(chǎn)生和計(jì)算機(jī)硬件特別是GPU的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)這種深層次的機(jī)器學(xué)習(xí)方法能應(yīng)對(duì)更加復(fù)雜的分類識(shí)別場景，且擁有更高的準(zhǔn)確率。

2、本文介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的物品識(shí)別的研究意義與發(fā)展現(xiàn)狀，并詳細(xì)分析了物品識(shí)別和卷積神經(jīng)網(wǎng)絡(luò)的基本理論，結(jié)合應(yīng)用開發(fā)技術(shù)，設(shè)計(jì)和實(shí)現(xiàn)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電腦端和Android手機(jī)端物品識(shí)別系統(tǒng)。
　　本研究主要內(nèi)容包括：⑴闡述了常用的基于詞袋模型、Fisher向量和局部特征聚合描述符算法結(jié)合SVM支持向量機(jī)進(jìn)行圖像分類識(shí)別的相關(guān)理論，并進(jìn)行了物品識(shí)別的實(shí)驗(yàn)，對(duì)三種物品識(shí)別模型進(jìn)行了對(duì)比分析。⑵提出了一種基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)

3、絡(luò)物品識(shí)別模型，對(duì)已有的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作出修改，通過多個(gè)圖像數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)，證明了本文算法相比于其它物品識(shí)別算法在準(zhǔn)確性上有明顯的優(yōu)勢(shì);并簡化了卷積神經(jīng)網(wǎng)絡(luò)模型，刪減了部分卷積塊從而減少模型參數(shù)，實(shí)驗(yàn)結(jié)果表明修改之后的模型在訓(xùn)練及測(cè)試中耗時(shí)更少，且對(duì)多個(gè)類別的圖像識(shí)別準(zhǔn)確率無下降。⑶采用服務(wù)端和客戶端分離的架構(gòu)，將結(jié)合遷移學(xué)習(xí)和進(jìn)一步刪減卷積塊之后的簡化卷積神經(jīng)網(wǎng)絡(luò)模型運(yùn)用到物品識(shí)別系統(tǒng)服務(wù)端，設(shè)計(jì)和實(shí)現(xiàn)了包括PC端和手機(jī)端兩