基于視覺生理機(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)改進(jìn)研究.pdf

1、深度學(xué)習(xí)作為傳統(tǒng)機(jī)器學(xué)習(xí)的分支，在近10年中取得了令人矚目的成果。它通過組合多個(gè)非線性的特征提取器，實(shí)現(xiàn)數(shù)據(jù)向高維度的變換，從而發(fā)現(xiàn)數(shù)據(jù)中分布式特征標(biāo)志。深度學(xué)習(xí)能夠自動(dòng)完成特征提取器的生成，這克服了傳統(tǒng)機(jī)器學(xué)習(xí)算法的劣勢。深度學(xué)習(xí)技術(shù)現(xiàn)階段被廣泛應(yīng)用在計(jì)算機(jī)視覺，自然語言處理等方面，極大的提高了人們的生活水平。
　　在深度學(xué)習(xí)技術(shù)中，通常用于處理圖像數(shù)據(jù)的模型是卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)通過多層的卷積運(yùn)算提取圖像不同層次的高級特

2、征，并且利用這些特征用作分類和分割等任務(wù)的參考依據(jù)，這樣處理的過程類似于人類初級視皮層對于視覺信息的處理流程。通常情況下，設(shè)計(jì)一個(gè)深度學(xué)習(xí)的網(wǎng)絡(luò)模型并且編寫代碼需要科研人員長時(shí)間的工作，這對于科研效率是有很大的影響的。在本次畢業(yè)設(shè)計(jì)中，我們選用了現(xiàn)階段成熟的開源卷積神經(jīng)網(wǎng)絡(luò)框架Caffe，利用Caffe模塊化和接口豐富等特征，能夠快速實(shí)現(xiàn)科研人員的實(shí)驗(yàn)范式。
　　本文基于Caffe這個(gè)卷積神經(jīng)網(wǎng)絡(luò)框架進(jìn)行了以下幾方面的工作和研究：

3、
　　首先，介紹了近年來深度學(xué)習(xí)技術(shù)在圖像識別，自然語言處理等領(lǐng)域的研究現(xiàn)狀，簡單介紹了現(xiàn)階段深度學(xué)習(xí)依賴的軟硬件技術(shù)和實(shí)現(xiàn)框架，并且著重介紹卷積神經(jīng)網(wǎng)絡(luò)框架Caffe。
　　其次，結(jié)合人類視覺信息處理的腦機(jī)制和機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)模型，介紹了傳統(tǒng)淺層學(xué)習(xí)中經(jīng)常使用到的感知機(jī)，并且介紹了常用的深度學(xué)習(xí)算法模型。最后著重介紹了在圖像處理領(lǐng)域廣泛使用的卷積神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)。
　　再次，通過對訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行

4、可視化可以發(fā)現(xiàn)，這些幾何圖案具有非常明顯的生理意義。在本文中我們利用具有生理意義的Gabor濾波器對卷積神經(jīng)網(wǎng)絡(luò)的初級卷積層權(quán)值進(jìn)行了修改，并將修改后的卷積神經(jīng)網(wǎng)絡(luò)在MNIST和CIFAR10數(shù)據(jù)庫上進(jìn)行了測試，提升卷積神經(jīng)網(wǎng)絡(luò)的性能表現(xiàn)，并且定量地分析改進(jìn)后模型與原始模型之間的差異。
　　接著，由于色偏圖像中存在的灰度點(diǎn)具有豐富的統(tǒng)計(jì)信息，可以完成對色偏的矯正。所以我們設(shè)計(jì)了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)對圖像中每一個(gè)像素點(diǎn)是否是灰度點(diǎn)進(jìn)行了