基于深度学习的图像分类方法研究(新)
文献类型：学位论文
| 作者 | 孙志远 |
| 答辩日期 | 2016-05-26 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 史忠植 |
| 关键词 | 机器学习 深度学习 降噪自动编码机 卷积神经网络 图像分类 |
| 学位专业 | 其它专业 |
| 英文摘要 | 图像分类是一个相对完整的科研领域，同时深度学习技术是最近几年来来能够高效进行图像分类的一种科学方法。整个图像分类过程从将外源数据传入分类系统开始，通过对外源数据进行归一化等预处理，进行数据特征抽取以及选择，最后再进行数据的类别判定。对于图像分类体系而言，高效的特征提取，对最终整个系统的准确性起到关键作用。 目前传统的机器学习方法中，绝大多数特征提取操作都是手工操作，手工操作不仅十分浪费资源，而且先天依赖性太高，特征可靠性、普及型以及鲁棒性较差。深度学习方法能够主动挖掘隐藏在数据中的特征规律，并且具备极少手工预处理等优势以及目前特征学习领域上应用的杰出性能，使得本文主要探讨基于深度学习模型的特征学习方法应用于图像分类问题。 本文的主要研究工作包括： （1）认真分析了图像分类的方法以及存在的问题，并详细介绍了深度学习的发展历史和进展，对现有的图像分类深度学习算法进行了对比研究，确定了本文的研究方向。 （2）对降噪自动编码机模型进行改进，区别于经典椒降噪自动编码机，本文提出了高斯降噪自动编码机，并将其作为基础单元构造深度神经网络，进而采用交替无监督和有监督方式训练网络，并将其应用到图像分类任务中，并通过对照实验，改进的降噪自动编码机模型和支持向量机（SVM）、Logistic Regression模型等对照取得良好的测评结果。 （3）本文提出了基于随机动量项的卷积神经网络训练方法，并将改进的卷积神经网作为基础单元构造深度卷积神经网模型，最后将该网络用于手写数字图像分类、人脸图像分类等图像分类任务中，并取得优秀的测评结果。 |
| 学科主题 | 模式识别 |
| 语种 | 中文 |
| 公开日期 | 2016-06-23 |
| 源URL | [http://ictir.ict.ac.cn/handle/311040/2341]  |
| 专题 | 中国科学院计算技术研究所学位论文_2016硕士 |
| 推荐引用方式 GB/T 7714 | 孙志远. 基于深度学习的图像分类方法研究(新)[D]. 北京. 中国科学院研究生院. 2016. |
入库方式： OAI收割
来源：计算技术研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。