基于卷积神经网络的图像识别算法

基于卷积神经网络的图像识别算法指导老师：----汇报人：----123卷积神经网络原理图像分类算法设计与实现图像分类概述图像分类目标图像分类就是根据不同图像的特征，把图像按照内容的不同分成不同类别CatOrNon-Cat？方法选择支持向量机（SVM）是比较经典的用于分类的机器学习方法，即使在样本数量很少的情况下，也能得到相对好的结果，并且，由于最终分类器分类超平面的确定，只与有限的几个“支持向量”有关，训练速度比较快。卷积神经网络（CNN）是一种多层感知机，对于图像来说，相邻像素的相似度一般来说高于相隔很远的两个像素，卷积神经网络结构上的优越性，使得它可以更关注相邻像素的关系，而对相隔一定距离的像素之间的连接进行了限制。所以，卷积神经网络的这种结构，符合图像处理的要求，也使卷积神经网络在处理图像分类问题上有天然的优越性K最近邻算法（KNN）是无监督的学习方法，无需预先进行标注，不需要确定样本的类别，甚至无需知道所获得的数据可以分为几类。对于类域有交叉或者重叠的分类任务更适合。卷积神经网络我们假设对一张32*32的彩色图片，有三个通道，所以用一个32*32*3的矩阵就能表示这样的图片，然后对该图片进行均匀分割，分割成了6*6=36张小图片，将每个独立的小图片输入神经网络，对个通道做同样的操作，最终形成特征向量。为了保证图像局部的特征，并过滤掉那些距离较远的无关特征，采用了权值共享的策略。所谓权值共享，就是指在图片同一位置的权重是相同的，这样做不仅仅是出于减少参数个数的考虑，还结合了图像本身的特点——相邻像素间的相关关系总是大于相隔较远像素之间的关系卷积神经网络下采样相当于特征的降维，在降维的同时保证了一定程度的尺度不变特性。即使经过了一定的平移和变换，对应的下采样特征可能还是相同的。下采样保留了最重要的特征，丢弃了相对不重要的特征，不仅减少了参数的数量，还减少了过拟合的风险。卷积神经网络图像分类基本流程实验环境操作系统Windows1064位操作系统处理器Inteli5CPU内存6GBDDR31600Python版本Python3.5.2Anaconda版本Anaconda4.2.0深度学习框架TensorFlow数据来源及文件组织create_dataset创建数据集train_catvnoncat.h5训练集数据文件test_catvnoncat.h5测试集数据文件nnn_app_utils_v2.py正向传播dnn_app_utils_v2_back.py反向传播cnn.py卷积神经网络实现与测试训练集CIFAR-108000测试集1CIFAR-102000测试集2互联网随机图片100构建卷积神经网络输入实验所用的数据是32*32的三通道彩色图像，为了平衡算法性能和稳定性，设置了如图所示结构的卷积神经网络，较小的卷积核可以保证算法的效率，同时较深的结构又保证了算法能够有效地抽象出图像的特征构建卷积神经网络输入每个卷积层之后都有一个ReLU层，最终总体的CNN网络结构，由一个输入层和两个图上的结构，一个全连接层和一个Softmax层和输出层组成实验结果测试集来源测试集样本数准确率CIFAR-10200089%多源随机下载图片10073%请各位老师批评指正