论文部分内容阅读
随着人工智能的发展,基于图像的目标检测与分类成为目标跟踪、个体识别、事件分析等其它高层次视觉任务的基础,针对图像目标的检测与分类问题,卷积神经网络模仿人类的视觉识别能力,提取图像目标的显著抽象特征用于图像目标检测与分类表现出良好的效果。传统的卷积神经网络模型,卷积采样层数越多,最终目标检测与分类的效果越显著,然而随着卷积神经网络深度的增加训练参数的难度也成倍的增加,计算量大幅度的提高,使得深度卷积神经网络无法在一些实时性要求较高,计算速度较慢的设备上应用。同时深度卷积神经网络训练比较困难,因此参数训练是传统卷积神经网络训练所面临的一个挑战,批量随机梯度下降算法是目前在训练神经网络过程中比较流行的算法。使用批量随机梯度下降算法来训练卷积神经网络的过程中,在错误率和损失值较大的情况下能够使梯度快速下降,然而在神经元饱和的情况下梯度下降缓慢,训练神经网络会出现过度拟合,图像目标检测与识别错误率和代价函数损失值会出现随机的小波动,使的神经网络模型训练变的困难,其次随机梯度下降算法的学习率(Learning Rate)需要人为设定。真实的神经网络训练过程中,学习率设置过大导致训练过程难以收敛找不到全局最优解,学习率设置过小梯度下降比较缓慢容易陷入局部最优难以找到全局最优解,另一方面随机梯度下降算法在训练过程中对于非凸优化问题,在鞍点附近梯度下降比较缓慢,因此随机梯度下降算法在训练卷积神经网络的过程训练缓慢,且有时无法找到全局最优解。首先通过卷积神经网络(Convolutional Neural Network CNN)和循环神经网络(Recurrent Neural Network RNN)来构建循环卷积神经网络,分别使用试进退算法、黄金分割算法自适应的改变批量随机梯度下降算法的规范化参数和学习率训练循环循环卷积神经网络模型,其次增加了神经网络的神经元之间的联系,利用深度循环卷积神经网络模型(RCNN)来提取图像目标特征,并运用Softmax回归分类器来进行分类,来实现图像目标的检测与分类。最后利用改进的BFGS算法训练循环卷积神经网络(RCNN)模型,利用训练好的循环卷积神经网络来提取图像目标的特征作为极限学习机的输入层,使用极限学习机模型来实现图像目标检测与分类。以MNIST手写数字字符数据集和CIFAR-10数据集来进行图像目标检测和分类,实验结果表明在图像的目标检测与分类过程中具有较好的检测分类效果和更快的收敛性。