论文部分内容阅读
图像识别是图像研究领域中的一个重要研究方向,也是机器视觉中的热点研究问题,具有非常重大的意义。深度学习,近些年在图像、语音、文本等方面取得了许多成果。同时,深度学习在人工智能领域占据着重要的地位,在日常生活中受到广泛的应用和关注。传统的图像识别方法需要人工设计特征,相对依赖图像识别经验丰富的研究学者,且传统的方法图像识别率较低。随着互联网和信息技术的发展,大数据背景下产生的海量图像数据,传统的识别方法已经不能满足我们的需求。而深度学习是一个多层的网络结构,通过模拟人脑,能够自动的学习和提取特征,充分发挥大数据的优势。因此,本文将深度学习和图像识别相结合,研究如何提高图像的识别率,具有一定的研究空间和研究价值。本文首先阐述了图像识别和深度学习的理论,与浅层学习相比,深度学习能够容易的表达复杂函数,具有很强的泛化能力。同时,还探讨了几种常用的深度学习模型及其算法原理,研究了图像的特征提取和识别方法。本文在研究深度神经网络的基础上,针对原始的初始化权重方法造成的网络学习速度慢的问题,提出了改进的初始化权重方法。同时,在理论和实验上验证了该方法的有效性,还可以将其运用到常用的卷积神经网络和深度信念网络中。其次,由于深度神经网络存在梯度消失的问题。同时,深度信念网络的半监督学习特点,可以挖掘大量无标签数据的价值。因此,本论文提出了改进的深度信念网络学习模型。通过实验证明,该模型的学习速度和识别正确率都得到提高。相对于未改进的深度信念网络,该模型在MNIST数据集上的识别率达到了99.18%,提高了 0.62%,在CIFAR-10数据集上的识别率提高了 9.6%。最后,针对卷积神经网络特别适合处理与图像相关的问题,本文提出了改进的卷积神经网络模型。该模型首先采用改进的初始化权重方法代替原始的初始化方法;然后去掉池化层,采用SVM分类器替代了原始的softmax层;最后对激活函数进行了改进,改进后的函数结合了 Sigmoid函数的光滑性和ReLU函数的稀疏性及快速收敛性等特点,同时引入了 Dropout思想,目的是为了增强网络泛化的能力,防止网络过拟合。该模型在MNIST数据集上的识别率达到了 99.52%,相对于未改进的卷积神经网络,提高了 0.66%,与传统方法相比,提高了 5%左右。在CIFAR-10数据集上,与未改进的卷积神经网络相比,识别正确率提高了 6.4%,与传统方法相比,提高了 9%左右。通过实验表明,该模型的有效性得到验证,表现效果较好,图像的识别率得到提高。