基于深度学习的图像识别算法研究
2016-10-24 12:34
555 查看
作者:丰晓霞
学校:太原理工大学
时间:2015
类型:硕士学位论文
思想
深度学习和支持向量机结合–>构建图像识别的模型
利用卷积限制性玻尔兹曼机–>构建深度网络、改进训练过程
摘要
本文研究的主要工作包括:
(1)认真分析了图像识别的方法及存在的问题,对现有的图像识别算法进行了对比研究,详细叙述了深度学习的发展和进展,对比了深度学习结构相比浅层结构的优势所在,总结了深度学习的常用方法,详细介绍了限制性玻尔兹曼机和卷积限制性玻尔兹曼机的原理和训练过程。
(2)将深度学习和支持向量机相结合,将多个限制性玻尔兹曼机与支持向量机连接构建多层分类模型,用深度学习的方法提取样本特征,然后用支持向量机方法进行分类,并将其应用到图像识别任务中。通过实验验证,在样本较少的情况下,与支持向量机和深度信念网络进行比较效果良好,并且通过不同样本数、层数、节点数与正确率的比较,讨论了隐含层节点数与支持向量数的关系,并且讨论了相关参数对结果的影响。
(3)对由卷积限制性玻尔兹曼机构成的卷积深度信念网络的训练过程进行改进,通过交替进行无监督和有监督学习来训练网络,最后将该网络用于图像识别中,通过实验验证了可行性和有效性,讨论了卷积核大小对结果的影响。
关键词
深度学习,图像识别,限制性玻尔兹曼机,卷积限制性玻尔兹曼机,支持向量机
创新点
(1)将深度学习和支持向量机相结合,构建了用于图像分类的模型,详述了训练过程,通过实验,在样本较少的情况下,与支持向量机和深度信念网络进行比较,效果均优于二者,并对不同样本数、层数、节点数与正确率进行了比较,讨论了隐含层节点数与支持向量数的关系,另外,讨论了相关参数对结果的影响。
(2)对用卷积限制性玻尔兹曼机构建深度网络训练过程进行改进,通过交替进行无监督和有监督学习来训练网络的方法,将该网络用于图像识别任务中,取得了良好的效果。
问题
(1)深度学习的理论研究还不够充分,深度学习的有效性还缺乏严格的证明,如对比散度算法,并没有获得充分的研究,其收敛性等问题并不明确。
(2)在数据量比较大的情况下,深度学习算法虽然有准确率的优势,但相比传统算法速度比较慢。如何提高算法的效率,需要编程人员较高的编程水平,并且模型的质量受限于编程人员的经验。
(3)如何降低相关参数调整的难度,降低深度学习算法的难度,也是亟需解决的问题。
改进思路
(1)从深度学习方法同其他方法相结合的思路完善网络,从而提高准确率或者训练速度。
(2)进一步优化相关参数的选取方法,训练方法以及适用范围。
(3)预先通过其他较优的特征提取方法来提取特征,以及使用特征的融合技术,再用深度学习方法来进行识别。
学校:太原理工大学
时间:2015
类型:硕士学位论文
思想
深度学习和支持向量机结合–>构建图像识别的模型
利用卷积限制性玻尔兹曼机–>构建深度网络、改进训练过程
摘要
本文研究的主要工作包括:
(1)认真分析了图像识别的方法及存在的问题,对现有的图像识别算法进行了对比研究,详细叙述了深度学习的发展和进展,对比了深度学习结构相比浅层结构的优势所在,总结了深度学习的常用方法,详细介绍了限制性玻尔兹曼机和卷积限制性玻尔兹曼机的原理和训练过程。
(2)将深度学习和支持向量机相结合,将多个限制性玻尔兹曼机与支持向量机连接构建多层分类模型,用深度学习的方法提取样本特征,然后用支持向量机方法进行分类,并将其应用到图像识别任务中。通过实验验证,在样本较少的情况下,与支持向量机和深度信念网络进行比较效果良好,并且通过不同样本数、层数、节点数与正确率的比较,讨论了隐含层节点数与支持向量数的关系,并且讨论了相关参数对结果的影响。
(3)对由卷积限制性玻尔兹曼机构成的卷积深度信念网络的训练过程进行改进,通过交替进行无监督和有监督学习来训练网络,最后将该网络用于图像识别中,通过实验验证了可行性和有效性,讨论了卷积核大小对结果的影响。
关键词
深度学习,图像识别,限制性玻尔兹曼机,卷积限制性玻尔兹曼机,支持向量机
创新点
(1)将深度学习和支持向量机相结合,构建了用于图像分类的模型,详述了训练过程,通过实验,在样本较少的情况下,与支持向量机和深度信念网络进行比较,效果均优于二者,并对不同样本数、层数、节点数与正确率进行了比较,讨论了隐含层节点数与支持向量数的关系,另外,讨论了相关参数对结果的影响。
(2)对用卷积限制性玻尔兹曼机构建深度网络训练过程进行改进,通过交替进行无监督和有监督学习来训练网络的方法,将该网络用于图像识别任务中,取得了良好的效果。
问题
(1)深度学习的理论研究还不够充分,深度学习的有效性还缺乏严格的证明,如对比散度算法,并没有获得充分的研究,其收敛性等问题并不明确。
(2)在数据量比较大的情况下,深度学习算法虽然有准确率的优势,但相比传统算法速度比较慢。如何提高算法的效率,需要编程人员较高的编程水平,并且模型的质量受限于编程人员的经验。
(3)如何降低相关参数调整的难度,降低深度学习算法的难度,也是亟需解决的问题。
改进思路
(1)从深度学习方法同其他方法相结合的思路完善网络,从而提高准确率或者训练速度。
(2)进一步优化相关参数的选取方法,训练方法以及适用范围。
(3)预先通过其他较优的特征提取方法来提取特征,以及使用特征的融合技术,再用深度学习方法来进行识别。
相关文章推荐
- 读书笔记之《基于深度学习的高分辨率遥感图像识别与分类研究》
- 基于贝叶斯最小错误率的图像分割算法的研究
- [算法运用研究]基于clahe的图像去雾
- 自动人脸识别基本原理 --基于静态图像的识别算法(一)特征脸补充知识 PCA
- 基于DM642的图像边缘检测算法的研究
- 2_基于深度学习的目标检测识别算法
- 基于单幅图像的2D转3D算法研究
- 基于深度学习的图像识别进展:百度的若干实践
- 《基于几何成像模型的鱼眼镜头图像校正算法和技术研究》实现
- 基于深度学习的图像语义分割技术概述之5.4未来研究方向
- 基于BOW的图像分类识别算法实现步骤
- 基于形状上下文算法的图像识别Demo初步OK,纪念一下
- 基于振动图像纹理特征识别 的滚动轴承故障程度诊断方法研究
- 图像算法---基于局部均值的锐化算法研究
- 图像识别算法研究(1)---二值化概述---2011-03-14
- 一种基于单张图像的去雾算法研究
- 基于纹理的图像检索算法研究
- 基于深度学习的图像识别进展:百度的若干实践
- 基于深度学习的人体姿态识别算法总结
- 基于经典分割算法的图像内细胞识别与计数(matlab实现)(不定期更新完善)