卷积神经网络在图像分类中的研究与应用

随着4G移动通信技术和智能手机的发展，基于图像的信息交换已成为我们日常生活中必不可少的一部分。凭借其直观而丰富的信息传输特征，图像不仅为我们的生活带来了便利，而且带来了更大的挑战。由于人们无法快速检索图片中记录的信息开yun体育官网入口登录app开元ky888棋牌官方版，因此基于计算机的图像识别技术至关重要。目前，基于深度学习的卷积神经网络算法在图像识别领域取得了良好的结果，但也需要解决许多问题。基于阅读相关的国内和外国研究文献，本文主要执行以下操作：鉴于图像训练集中大量冗余样本的问题导致了卷积神经网络的训练时间太长，因此本文提出了一种训练样本选择方法：通过最近的点对点选择边界样本，请使用余弦对使用偶数对矢量的距离，并使用计算量的距离来进行计算的距离，并使用计算次数的距离来选择分单的距离。实验结果表明，样品选择算法不仅可以消除训练集中的冗余样本并减少训练样本的数量，而且还可以保持网络的识别精度。为了响应手动提取现有面部识别算法的复杂特征问题，本文将卷积神经网络介绍给面部识别任务。根据ORL面部图像的大小和类别特征，设计了简单的卷积神经网络结构，并将卷积神经网络与传统的面部识别算法进行了比较。实验结果表明，基于卷积神经网络的面部识别算法比几种经典的面部识别算法对ORL数据集具有更好的识别效果。为了响应卷积内核的选择和卷积神经网络卷积神经网络卷积神经网络的学习率，目前没有数学理论指导，本文更改了卷积层的卷积内核的数量，设置了不同的学习速率值，构建不同的网络结构，构建不同的网络结构开yun体育app入口登录，并对Orl Face Database进行大量实验和分析。实验结果表明，卷积内核和学习率的数量与网络的最终识别效果不成比例。 （总共53页）