基于深度学习的图像分类与人脸识别算法研究

发布时间：2025-05-28 23:55

　　深度学习在计算机视觉领域中有着极其优异的表现。近年来,基于深度卷积神经网络的图像分类算法在优化网络结构、防止过拟合、加快训练速度等方面做了许多改进。本文首先提出利用主动学习和深度学习相结合的方式进行训练样本集优化,然后利用联合损失函数监督训练提高卷积神经网络在图像分类应用中性能,并且将改进的联合损失监督算法应用于人脸识别,最后将联合损失监督方式扩展到图像超分辨率。训练卷积神经网络往往需要海量已标注的样本数据,然而并不是样本越多训练效果越好。本文引入主动学习进行样本集优化,筛选出更有训练价值的样本。本文对经典的后验概率取样算法做了改进,提出基于熵值排序的主动学习算法,实验证明主动学习算法,尤其是本文改进的算法能够筛选出更有训练价值的样本,进而提高网络性能。对于图像分类任务,本文认为如果图像特征在特征空间中同类之间更加聚合而异类之间更加分散,那么分类效果会更好。因此,本文提出用均方误差和交叉熵损失函数同时监督训练,优化均方误差损失可以使同类样本特征聚合,优化交叉熵损失可以使异类样本特征分散。为此,本文还提出一种简单有效的样本组织方式用于训练。对于人脸识别任务,余弦距离度量比欧氏距离更加方便有...

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图２－４?Ｓｉｇｍｏｉｄ和双曲正切激活函数图像??

了深度残差学习框架。利用残差映射代替每一个堆叠的浅层网络的基础映射。用??研ＪＣ）表示一个基础映射，则可以用堆叠的非线性映射来拟合映射＾（Ｘ）＝／／（ＪＣ）－Ｘ。原??始的映射就可表示为Ｆ（；ｃ）＋Ｘ。如图２－３所示，该映射关系可以表示为近路连接，??该连接方式既不增加网络参数，....

图２－６全连接??１３??

??加稳定。ＥＬＵ在公式（２－９）中定义，其函数图像如图２－５（ｄ）所示。??而，从＝饥似０）?＋?ｍｉｎ（；ｌ（ｅｚｗ．ｆｃ?－?１），?０）?（２－９）??其中；Ｊ是一个预先定义的参数。??２．３池化层??池化是卷积神经网络的一个十分重要的概念，它通过降低特征图的分辨率来??....

图３－２?ＭＮＩＳＴ和ＣｉｆａｒｌＯ中的图片??实验所用的网络结构如表３－１所示，我们使用Ｃａｆｆｅ深度学习框架进行实验

首先介绍本章实验用到的训练和测试数据集ＭＮＩＳＴ、Ｃｉｆａｒ－１０和Ｃｉｆａｒ－１００。??我们用到的ＭＮＩＳＴ数据集是分辨率为２８Ｘ２８的灰度图像，其内容为０￣９十个??类别的手写数字，如图３－２（ａ）所示。该数据集包含六万个训练样本和一万个测试??样本。Ｃｉｆａｒ－１０和Ｃｉ....

本文编号：4048402