论文部分内容阅读
随着人工智能的发展,深度学习作为其非常重要的分支近年来在语音识别、自然语言处理以及图像处理等方面有了质的飞跃。深度置信网络(Deep Belief Network,DBN)、卷积神经网络(Convolutional Neural Networks,CNN)以及基于卷积神经网络的卷积受限玻尔兹曼机模型(Convolutional Restricted Boltzmann Machine,CRBM)作为深度神经网络经典的模型亦得到了广泛的应用。与医学图像相关的处理问题是学术界研究活跃度非常高的课题,乳腺X光图像分析是目前较为常见的乳腺相关疾病预判措施,使用深度学习的方法对乳腺X光图像做分析,可以对肉眼难辨的图像细节信息进行剖析,进一步提高图像分类正确率。本文的主要工作首先是对已有的CNN模型进行了深入地学习,比较学习了各个神经网络层的学习算法,例如,在卷积层比较学习了single-core convolution、multi-channel convolution、multi-scale convolution等算法;在池化层类比学习了max-pooling、average-pooling、spatial pyramid-pooling等算法。其次通过比较学习这些学习算法,针对在不同的图像样本下CNN模型鲁棒性不强的问题,提出了多尺度混合池化卷积神经网络(Multi-scale Hybrid Pooling Convolutional Neural Network,MSHP-CNN)学习算法;同时,在学习了CRBM模型基础上,针对模型训练时间长的问题提出了基于Spark框架的CRBM模型并行优化算法。本文主要研究内容如下:(1)提出了基于CNN模型的MSHP-CNN算法。经典的CNN模型在图形图像计算处理方面现如今取得了较大的突破,但分类准确率不高依旧是CNN模型存在的问题。为了提高分类准确率提出了基于CNN模型的MSHP算法进行神经网络模型训练,本文通过在MNIST数据集、CIFAR-10数据集上做实验,并与标准的CNN模型学习算法以及其改进的MS-CNN(Multi-Scale CNN)算法进行类比,结果显示MSHP-CNN学习算法在图像平均分类准确率方面提升了2%。(2)提出基于Spark框架下的CRBM模型并行优化算法。CRBM模型训练时间过长是该模型目前面临的主要问题,为了减少训练时间提高训练效率,本文提出了基于Spark框架的CRBM模型并行优化算法,并在MIAS这一乳腺X光图像公开数据集上进行验证实验,实验结果表明在同等分类准确率的情况下该并行优化算法较没有优化的CRBM算法在训练时间方面为原来的三分之一。