卷积神经网络是将人工神经网络和深度学习技术结合而产生的一个新型人工神经网络方法,具有局部感知区域、层次结构化、特征抽取和分类过程结合的全局训练等特点,在图像识别领域获得了广泛的应用。现有以经典的卷积神经网络模型为基础,将其应用到手写数字识别和人脸识别任务当中。[1]还有通过对网络结构和参数优化及在不同数据库上的测试后,分析总结了深度学习关于图像分类的一些实践性的规律,对于解决实际工程问题具有较好的指导作用,因为相同的深度学习网络,调参的好坏对性能具有非常大的影响。[2] 有研究者回顾近年来国内外植物叶片分类的研究进展,指出了传统方法存在的缺陷。并发现卷积神经网络在图像分类的优势,为了简单高效地对植物叶片进行识别,提出一种基于卷积神经网络的植物叶片识别方法。在Swedish叶片数据集上的实验结果表明,本算法识别正确率高达99.56%,显著优于传统的叶片识别算法。[3] 还有学者针对训练收敛时间长,模型参数庞大的问题,将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型。改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%。改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害。且该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考。[4] 有学者结合图像的自身特点,在卷积神经网络理论的基础上,论述了用于图像分类识别任务的卷积神经网络模型的构造方法、迁移训练、优化算法和分类识别性能。[5] 有学者基于传统的残差网络,提出了一种改进的多尺度残差网络,新的网络结构使得卷积层能够从多个不同的尺度“观察”数据,获得更为丰富的输入特征。并且缩减了网络的深度,有效了抑制了梯度消失问题的发生,减小了训练难度。同时增加了可训练参数的数量,使得网络的学习能力变得强。通过调整缩放参数,网络深度,每组学习模块的数量,dropout的位置及取值,使得新的网络结构的准确率比传统的残差神经网络有了明显的提升。最后,使用了相对多数投票的集成学习方法,将网络在CIFAR-10上的分类错误率降低到3.49%,相对于原始的残差神经网络,错误率下降了3%。[6]
人体行为识别和深度学习理论是智能视频分析领域的研究热点,近年来得到了学术界及工程界的广泛重视,是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础.因此有学者在回顾了基于时空兴趣点等传统行为识别方法的基础上,对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析;包括卷积神经网络(Convolution neural network,CNN)、独立子空间分析(Independent subspace analysis,ISA)、限制玻尔兹曼机(Restricted Boltzmann machine,RBM)以及递归神经网络(Recurrent neural network,RNN)及其在行为识别中的模型建立,对模型性能、成果进展及各类方法的优缺点进行了分析和总结.[7] 还有学者将深度学习应用到图像识别中，进一步提高图像识别的准确性。一方面，将深度学习和支持向量机相结合，构建用于图像识别的模型，另一方面，利用卷积限制性玻尔兹曼机构建深度网络，同时改进训练过程。[8] 虽然深度学习在图像分类中已经取得了很好的效果,但之前的工作依然存在一些难题:1)在保证性能的前提下,如何简化深度学习的网络结构和参数?2)在小样本数据集情况下,如何进行深度学习?为了解决这些问题,本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。有学者对此开展研究，主要研究了基于局部特征卷积核的神经网络:CHDNet和LLENet,以及在应对小样本数据集时的处理方法。通过实验,验证了上述算法的有效性及实际应用价值。[9]
[1]许可. 卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012.
[2]吴正文. 卷积神经网络在图像分类中的应用研究[D].电子科技大学,2015.
[3]龚丁禧,曹长荣.基于卷积神经网络的植物叶片分类[J].计算机与现代化,2014(04):12-15 19.
[4]孙俊,谭文军,毛罕平,武小红,陈勇,汪龙.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017,33(19):209-215.
[5]段萌. 基于卷积神经网络的图像识别方法研究[D].郑州大学,2017.
[6]蒋帅. 基于卷积神经网络的图像识别[D].吉林大学,2017.
[7]朱煜,赵江坤,王逸宁,郑兵兵.基于深度学习的人体行为识别算法综述[J].自动化学报,2016,42(06):848-857.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
