文档介绍：《人工神经网》课程论文
SHANGHAI JIAO TONG UNIVERSITY
论文题目：基于卷积神经网络的自然图像分类技术研究
基于卷积神经网络的自然图像分类技术研究
摘要：卷积神经网络已在图像分类领域取得了很好的效果，但其网络结构及参数的选择对图像分类的效果和效率有较大的影响。为改善卷积网络的图像分类性能,本文对卷积神经网络模型进行了详细的理论分析，并通过大量的对比实验，得出了影响卷积网络性能的因素。结合理论分析及对比实验，本文设计了一个卷积层数为8层的深度卷积网络，并结合Batch Normalization> dropout等方法，在 CIFAR-10数据集上取得了 %的分类精度，有效地提高了卷积神经网络的分类效果。
关键词：卷积神经网络，图像分类，Batch Normalization, Dropout
Research on Natural Image Classification Based on
Convolution Neural Network
Abstract: Convolution neural network has achieved very good results in image classification, but its network structure and the choice of parameters have a greater impact on image classification efficiency and efficiency. In order to improve the image classification performance of the convolution network, a convolutional neural network model is analyzed in detail, and a large number of contrastive experiments are conducted to get the factors that influence the performance of the convolution network. Combining the theory analysis and contrast experiment, a convolution layer depth convolution network with 8 layers is designed. Combined with Batch Normalization and dropout, % classification accuracy is achieved on CIFAR-10 dataset. Which improves the classification effect of convolution neural network.
Key Words:Convolution neural network(CNN), image classification, Batch Normalization,Dropout
目录
基于卷积神经网络的自然图像分类技术研究 -2 -
1弓I言 -4-
2卷积神经网络的模型分析 -5-
-5-
-6-
-7-
Softmax分类器与代价函数 -8 -
-9-
Dropout - 11 -
Batch Normalization - 12 -
3模型设计与实验分析 -13-
CIFAR-10 数据集 -13 -
-14-
-16-
4结论 -23 -
参考文献 -24 -
1引言
1986年，Rumelhart等提出人工神经网络的反向传播算法（Back propagation, BP）,掀起了神经网络在机器学习中的研究热潮。但是由于BP神经网络存在容易发生过拟合、训练时间长的缺陷,90年代兴起的基于统计学习理论的支持向量机具有很强的小样本学习能力。学习效果也优于BP神经网络，导致了神经网络的研究再次跌入低估。
2006年，观点是：1）多隐层的人工神经网络具有优异的特征学习能力，学习到的数据更能反映数据的本质特征，有利于可视化或分类;2）深度神经网络在训练上的难度, 可以通过逐层无监督训练有效克服。理论研究表明为了学习到可表示高层抽象特征的复杂函数，需要设计深度网络