论文部分内容阅读
最近几年,深度学习越来越受到人们的普遍关注。尤其是深度学习算法之一卷积神经网络(Convolutional Neural Network,CNN)变得越来越重要。因此,图像识别和图像分类逐渐成为计算机视觉和机器学习领域的重要研究方向。随着科技和通信的快速发展,在我们日常生活中将会遇到大量与图像数字有关的信息,所以深入的研究图像识别分类是非常有现实意义的事情。 正如我们所知,深度学习的发展前景很好,不仅大量应用在指纹识别,手写字体,车辆检测和人脸识别,而且还应用在无人驾驶等高端科技产品上,都取得了非常好的结果。因此,本文将基于深度学习的思想应用到油画数据集中,采用深度学习算法提取深层次图像特征对油画进行分类。主要工作内容如下: 基于已有神经网络模型去构建新的网络结构模型。首先简介一下传统人工神经网络算法,如感知机,玻尔兹曼机等等。接着叙述一下当今深度学习算法模型,如卷积神经网络,其中包括针对手写字体MNIST数据集的lenet-5网络模型,针对ImageNet数据集的2012AlexNet网络模型和后来改进的2014GoogleNet网络模型等等。本文将借鉴已有的经典网络结构模型算法,分析每个网络模型的优缺点,然后逐层合理的设计符合自己数据集的网络结构模型。通过适当的添加dropout层来处理过拟合,添加ReLU层来提高网络收敛速率,适当的叠加局部特征向量和全局特征向量来提高算法的性能。 基于深度学习的思想对油画作品进行识别分类。针对自己收集的油画数据集进行标记分类,然后把已有的深度学习网络模型应用到该数据集上,分析lenet-5、AlexNet、GoogleNet在油画数据集的分类准确率。由于自己收集的油画数据集之间的分界并不是那么明显,对分类效果可能带来一些别的影响。因此,本文分别把油画数据集分为11类和分界较好的5类,用上述网络模型进行测试。用该油画数据集对我们已经设计好的网络模型进行验证分析,接着与其它网络模型分类效果进行比较。实验结果表明,在艺术领域中,新设计的神经网络模型能够取得更好的效果。