基于卷积神经网络的图像识别算法培训课件

实验结果
处，请联系网站或本人删除。
测试集来源 CIFAR-10 多源随机下载图片
测试集Fra Baidu bibliotek本数 2000 100
准确率 89% 73%
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
请各位老师批评指正
Cat
Or Non-Cat ？
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之
方法选择
处，请联系网站或本人删除。
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。
CIFAR-10 CIFAR-10 互联网随机图片
8000 2000 100
create_dataset train_catvnoncat.h5 test_catvnoncat.h5 nnn_app_utils_v2.py dnn_app_utils_v2_back.py
cnn.py
创建数据集 训练集数据文件 测试集数据文件
正向传播 反向传播 卷积神经网络实现与测试
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
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
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
图像分类概述 卷积神经网络原理 图像分类算法设计与实现
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之
图像分类目标处，请联系网站或本人删除。
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
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
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
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
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。
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（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
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
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
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之
Windows 10 64位操作系统 Intel i5 CPU
6GB DDR3 1600 Python 3.5.2
Anaconda 4.2.0 TensorFlow
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
数据来源及文件组织
训练集 测试集1 测试集2
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之 处，请联系网站或本人删除。
卷积神经网络图像分类基本流程
本文档所提供的信息仅供参考之用，不能作为科学依据，请勿模仿；如有不当之
实验环境
处，请联系网站或本人删除。
操作系统 处理器 内存
Python版本 Anaconda版本 深度学习框架