《毕业论文范文——基于迁移深度网络模型的自然图像分类》由会员分享，可在线阅读，更多相关《毕业论文范文——基于迁移深度网络模型的自然图像分类（71页珍藏版）》请在金锄头文库上搜索。
1、谨以此论文献给我的恩师、父母及朋友 *基于迁移深度网络模型的自然图像分类学位论文答辩日期：_指导教师签字：_答辩委员会成员签字：_ _ 基于迁移深度网络模型的自然图像分类摘 要近几年，深度学习引起了机器学习领域的巨大变革，它被成功应用于人工智能领域众多的研究任务中，尤其在图像分类、语音识别等研究中取得了突破性成果,例如手写数字、人脸、目标物体识别等。2012年深度卷积神经网络模型（AlexNet）赢得了ImageNet图像分类竞赛的冠军，表明了该网络能够学习得到图像有效的特征表示。图像有效的特征表示是完成图像分类任务的关键因素，如何提高分类准确率和执行效率是图像分类研究的重点和难点。本文以深度
2、学习算法和迁移学习理论为基础，以图像分类为目的开展研究工作。深度学习本质是一种对复杂函数实现尽可能逼近的特征学习方法，学习数据的有效特征表示。然而，大多数基于深度学习的深度网络模型一般需要较长的模型训练时间来提升分类性能。为了提高网络模型分类的效率，Donahue 等人提出了DeCAF网络模型，直接将提取AlexNet网络模型的深度激活特征泛化到新的视觉识别任务，获取了优异的识别准确度。然而，DeCAF网络模型迁移泛化的特征表示的维度被简单限定为4096，针对这一限制，本文以AlexNet网络模型为基础，通过设计低维映射层（Reducing）和高维映射层（Stretching），并结合迁移学习
3、理论，提出了迁移深度网络模型学习方法RS-DeCAF，以学习更适合分类任务的图像特征表示。RS-DeCAF网络模型主要设计思想是对AlexNet网络模型中深度激活特征通过低维映射层学习图像紧致的特征表示，再经由高维映射学习得到易于图像分类的图像特征表示，从而提高目标数据集的分类准确率。本文通过在标准图像分类数据集上进行了大量的对比实验，实验结果表明RS-DeCAF网络模型不仅可以提升图像分类的准确率，在时间效率上也表现优越，节省了学习有效深度特征的运行时间和资源消耗。关键词：图像分类；特征学习； DeCAF；Reducing；StretchingITransferring Deep Netwo
4、rk Model On Image ClassificationAbstractIn recent years, deep learning has brought about great revolution in field of machine learning. It has been successfully applied to various research tasks in field of artificial intelligence. In particular, it has achieved record-breaking results in image clas
5、sification and speech recognition research, such as hand written digits, face, object recognition, etc. When the deep convolutional network model (AlexNet) won the ImageNet classification competition in 2012, it indicates that the network can learn effective image representation. Such an effective i
6、mage representation is a key factor to complete the task of image classification. How to improve classification accuracy and efficiency has become the emphasis and difficulty of the feature learning algorithm. The article carries out research work based on deep learning algorithm and transfer learni
7、ng theory and for the purpose of image classification.The nature of deep learning is a feature learning method to approximate complex function as much as possible and finally achieve effective representation of the data. However, most of deep network models on deep learning generally require a longe
8、r training time to improve the classification performance. In order to improve the efficacy of the network model for classification, Donahue et al proposed DeCAF network model, which directly extracted deep activation feature from AlexNet network model and can be repurposed to novel generic visual r
9、ecognition tasks, with excellent recognition accuracy. Nevertheless, the dimensionality of DeCAF is simply fixed to a constant number 4096, for this restriction, based on transfer learning and AlexNet network model, the paper proposed transferring deep network model learning method called, which des
10、igns a low-dimensional mapping layer (Reducing) and a high-dimensional mapping layer (Stretching) to discover the effective representations of data for classification tasks.The main idea of RS-DeCAF network model is to learn the compact image feature representation derived from the low-dimensional m
11、apping of deep activation feature of AlexNet network model. The learnt image features is then transformed to a higher-dimensional space where images can be easier and more accurately classified. With many comparative experiments on the standard image classification datasets, it demonstrates that the
12、 RS-DeCAF network model can not only improve the accuracy of image classification, but also show good performance on time efficiency, saving run-time and resource consumption for learning effective deep representation.Keywords： Image Classification; Feature Learning; DeCAF; Reducing; StretchingIII目
13、录摘 要IABSTRACTII1 绪论11.1 选题背景及研究意义11.2 图像分类的概述21.3 深度学习的概述41.4 特征学习和迁移学习71.4.1 特征学习71.4.2 迁移学习81.5 论文的主要创新内容及组织结构92 深度卷积网络模型结构及算法过程112.1 深度卷积神经网络112.1.1 局部感受野（Local Receptive Field）122.1.2 权值共享132.1.3 卷积操作（Convolution）142.1.4 池化操作（Pooling）152.2 卷积神经网络算法过程162.3 深度激活特征网络模型（DeCAF）182.4 深度卷积神经网络模型（AlexNe
14、t）192.4.1 AlexNet网络模型的技术改进192.4.2 AlexNet网络模型的体系架构222.5 小结233 迁移深度网络模型253.1 迁移深度网络模型设计253.1.1 低维映射层的设计263.1.2 高维映射层的设计303.1.3 网络模型的优化设计333.2 RS-DeCAF框架结构和算法步骤353.3 分类器的设计373.3.1 线性可分的SVM383.3.2 线性不可分的SVM393.4 小结404 迁移深度网络模型实验验证及分析414.1 自然图像数据集介绍414.1.1 Caltech-101数据集414.1.2 Caltech-UCSD Birds 200数据集
15、424.1.3 STL-10数据集434.2 数据的预处理和模型参数的设定434.3 实验结果及分析444.3.1 Caltech-101数据集实验结果及分析444.3.2 CUB-200数据集实验结果及分析474.3.3 STL-10数据集的实验结果及分析494.4 可视化特征表示空间514.5 小结525 总结与展望535.1 总结535.2 展望54参考文献55致 谢59个人简历60发表的学术论文61ii1 绪论1.1 选题背景及研究意义在人工智能领域，深度学习开辟了机器学习的新篇章，使机器学习的多项研究取得了突破性进展。深度学习就是把原始数据使用一些简单而非线性的模型学习更高层次和更加抽象的表达，其本质是一种特征学习方法。对于图像分类，高层次特征表示不仅能够强化输入对象的辨别能力，也削弱了特征之间不相关的因素。深度学习能够通过多个模型组合来挖掘数据中深层的
