基于卷积神经网络的图像分类技术.docx

?

?

基于卷积神经网络的图像分类技术

?

?

童浩然+楚军+沈静静

【摘要】随着大量带标记的数据库的开源使用和带有高性能GPU的计算机的发展推广，深度学习已然从理论走向实践，开始广泛地活跃于图像分类的舞台之上，其中变现最为突出的是卷积神经网络（Convolutionalneuralnetworks，CNNs），目前已经在大规模的识别与分类任务获得了瞩目的成果，突破了传统分类方法的极限并且已经首次达到优于人眼识别的地步。本次实验的重点是将CNN应用在实际的图像分类操作中，并对CNN进行优化与改进，采用Inception架构高效并行处理数据，并采取新型激活函数来提高识别率，通过迁移学习在谷歌的深度学习框架tensorflow上进行试验，结果表明，通过对CNN架构的改进，识别率得到了明显的提升，证明改进的CNN具有相当的实用性。

【关键词】深度学习；卷积神经网络；Inception架构；迁移学习

中图分类号：TP18文献标识码：A文章编号：2095-2457（2017）32-0036-002

【Abstract】Withtheopen-sourceuseofalargenumberoflabeleddatabasesandthedevelopmentandpromotionofcomputerswithhigh-performanceGPUs，deeplearninghasmovedfromtheorytopracticeandhasbeenwidelyactiveonthestageofimageclassification.ThemostprominentoftheseisConvolutionalneuralnetworks（CNNs）haveachievedremarkableresultsinlarge-scaleidentificationandclassificationtasks，breakingthelimitsoftraditionalclassificationmethodsandforthefirsttimebeingbetterthanhumaneyerecognition.ThefocusofthisexperimentistoapplyCNNintheactualimageclassificationoperationandtooptimizeandimproveCNN.TheInceptionarchitectureisusedtoefficientlyprocessdatainparallel，andanewactivationfunctionisusedtoimprovetherecognitionrate.ThroughthestudyofmigrationdepthinGoogleTheresultsshowthattherecognitionratehasbeensignificantlyimprovedthroughtheimprovementofCNNarchitecture，whichprovesthattheimprovedCNNisquitepractical.

【Keywords】Deeplearning；Convolutionalneuralnetwork；Inceptionarchitecture；Migrationlearning

0引言

传统的图像分类技术最近几年来发展十分缓慢，那些利用手动提取特征并进行分类的方法获得的关注越来越少。传统图像分类技术概括如下，例如使用SIFT[1]和HOG[2]等方法进行特征提取后再利用无监督学习算法来生成特征描述符号，然后利用监督学习算法对训练数据集中带标签的特征集进行学习并获得分类器，从而实现对图像的分类。

随着大数据时代的到来和深度学习的火热兴起，图像分类技术以日新月异的速度高速发展，无数的成果接踵而来。尤其是Alex[3]网络在著名的ILSVRC[4]比赛上赢得冠军，深度学习的实用性深得人心，人们正式开始投身于深度学习网络在图像识别应用的汪洋大海中，在物品定位，姿态估计，目标检测，视频目标索引，场景分类，场景解析等应用中取得一个又一个瞩目的成就，彻底取代了传统浅层网络和分类方法的地位。

在本文中，将实验重心放在利用Tensorflow实际搭建CNN框架，并对Imagenet数据库里