论文部分内容阅读
随着科技的进步与发展,人类已逐步的迈入了大数据时代,而大数据时代所带来的海量数据增长给人工智能带来了巨大的机遇与挑战。近年来,深度学习方法,尤其是卷积神经网络(CNN)已经在各种计算机视觉任务上取得了很大的成绩,从图像分类到物体检测以及语义分割等等。卷积神经网络依靠自身具备的局部感知、参数共享和稀疏连接等特点能够自动地完成对数据特征的提取以及参数学习,然后再根据模型设计的特征对数据信息进行提取和处理。它已经成为计算机视觉领域内一个重要的研究方向。本文在研究卷积神经网络的理论基础上,主要做的工作有以下几个方面:(1)充分梳理了卷积神经网络的发展历史并总结概括了卷积神经网络的研究成果以及研究意义。(2)我们详细的介绍了前馈神经网络以及卷积神经网络的基本原理并分析了他们的基本结构,还通过使用BP算法推导了这两种模型的参数更新公式。(3)我们通过使用Google深度学习框架TensorFlow构建了卷积神经网络模型,并将模型应用到了人脸表情识别中。首先我们分别用前馈神经网络模型与构建的卷积神经网络模型在数据集1上做了对比试验,确定了卷积神经网络在图像处理问题中具有良好的表达能力;其次我们用卷积神经网络模型在数据集2上进行实验,验证了用同一人表情数据集训练的模型泛化能力不够;然后我们又将卷积神经网络模型在数据集3上进行实验,确认了增大学习集的样本种类量能够提高模型的泛化能力;最后我们通过对卷积神经网络提取的图像特征分析发现,眉毛、眼睛和嘴巴能够充分表达笑和哭的表情。