基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應用.pdf

1、圖像分類是計算機視覺技術(shù)重要的研究方向，是指通過獲取圖像的顯著特征以實現(xiàn)不同類別劃分的圖像處理方法。傳統(tǒng)的圖像分類方法通過特征描述符加分類器的方法來實現(xiàn)，這種方法的準確度很大程度上取決于特征提取的有效性。隨著計算機硬件性能、大數(shù)據(jù)及學習算法的發(fā)展，深度學習的方法被廣泛應用到圖像處理的各個領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)運用了深度學習的思想，是一種深層前饋神經(jīng)網(wǎng)絡(luò)模型，在語音識別、人臉識別、運動分析、醫(yī)學診斷等多個圖像分類領(lǐng)域都表現(xiàn)出很好的性能。

2、>　　卷積神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，具有稀疏連接、權(quán)值共享等特點。卷積神經(jīng)網(wǎng)絡(luò)更好地模擬了視覺神經(jīng)元響應圖像局部信息的特點，使用稀疏連接構(gòu)建圖像的局部感知野，大大降低了神經(jīng)網(wǎng)絡(luò)的參數(shù)規(guī)模。通過共享權(quán)值的方法將卷積層的每一個卷積核重復的作用于整個感受野中，提取出圖像的局部特征，減少了自由參數(shù)的數(shù)量，提高了模型的訓練效率?；诰矸e神經(jīng)網(wǎng)絡(luò)的圖像分類方法避免了繁雜的顯示特征提取，將圖像的特征分析并入神經(jīng)網(wǎng)絡(luò)之中，通過調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值

3、和偏置，實現(xiàn)真正的端到端的圖像分類。
　　設(shè)計基本結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型是一個簡單的過程，而對于模型的優(yōu)化和訓練是一個漫長和復雜的過程，因此對于模型的優(yōu)化方法研究和訓練效率提升至關(guān)重要。文中基于卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，提出了依次使用數(shù)據(jù)集擴充、準確度提升、過擬合解決、效率提升的一套優(yōu)化方法流程。通過對比實驗驗證了數(shù)據(jù)增強提升數(shù)據(jù)集的多樣性有利于提升準確度和泛化能力;在數(shù)據(jù)集不變的情況下，提升網(wǎng)絡(luò)模型規(guī)模和層深度是有效提升模型分類準

4、確度的方法;對于大規(guī)模網(wǎng)絡(luò)模型帶來的過擬合問題，配合使用正則化、稀疏性優(yōu)化、數(shù)據(jù)分布優(yōu)化等方法均能夠?qū)崿F(xiàn)不同程度的解決;訓練大規(guī)模模型和數(shù)據(jù)時，優(yōu)化梯度下降方法可以有效提升網(wǎng)絡(luò)的收斂速度，而使用GPU加速將極大的提升訓練效率。
　　針對氣象行業(yè)地基全天空云圖的分類問題，建立了9層的卷積神經(jīng)網(wǎng)絡(luò)模型，并通過BN算法、dropout方法對模型進行優(yōu)化，在中國氣象科學研究院公開的云圖數(shù)據(jù)集上進行訓練，并對測試集實現(xiàn)了最優(yōu)97.8％的分類

5、準確度，相較于經(jīng)典模型Alexnet和GoogLeNet inception-v3分類準確度更佳、參數(shù)量更少、訓練效率更高。運用遷移學習的方法將訓練好的卷積神經(jīng)網(wǎng)絡(luò)模型應用到自制全天空云圖儀數(shù)據(jù)集的分類中，實驗證明，使用遷移學習可以使網(wǎng)絡(luò)模型在新的數(shù)據(jù)集上實現(xiàn)快速收斂，在相同的時間內(nèi)訓練出的模型分類性能要好于重新訓練的網(wǎng)絡(luò)模型。經(jīng)過對兩類數(shù)據(jù)集上訓練，在混合測試集上預測準確度達到95.5％，也使所設(shè)計的網(wǎng)絡(luò)模型對于圖像的尺寸、儀器的采樣

6、方式具有更強的適應性，在自制的全天空云圖儀上實現(xiàn)較好的分類效果。
　　針對質(zhì)檢行業(yè)卷煙煙絲組成成分的分類問題，研究了煙絲各組成成分的特征，確定使用煙絲的局部特征圖像建立分類數(shù)據(jù)集。設(shè)計了基于卷積神經(jīng)網(wǎng)絡(luò)的煙絲識別模型，使用11層卷積神經(jīng)網(wǎng)絡(luò)用于局部特征圖像的分類，在訓練過程中，提出了運用多尺度分割方法提升模型的適用性，運用數(shù)據(jù)增強方法提升數(shù)據(jù)集的多樣性，運用正則化方法提升模型的泛化能力，使卷積神經(jīng)網(wǎng)絡(luò)在局部圖片測試集上最優(yōu)預測準確