發(fā)布時間：2024-06-02 16:47

　　近十多年來,人工智能技術的迅猛發(fā)展,推動了計算機視覺技術廣泛且成功地應用于現(xiàn)實生活。傳統(tǒng)上簡單的物體分類已經(jīng)無法滿足現(xiàn)實需求,富有挑戰(zhàn)的細粒度圖像識別問題成為計算機視覺領域的熱點方向。通常,細粒度數(shù)據(jù)集中具有類間區(qū)分度弱、類內區(qū)分度強的特性,要求算法能分辨更多的圖像細節(jié)。依托200類鳥類數(shù)據(jù)集(CUB200-2011)及自建的中國東洞庭湖濕地水鳥數(shù)據(jù)集,本文開展了基于深度學習的鳥類細粒度識別算法研究及微信小程序實現(xiàn)工作。主要工作如下:1.對鳥類細粒度識別的國內外研究現(xiàn)狀進行了梳理與綜述,闡述了該項研究的主要問題以及未來發(fā)展。2.為應對國內公開鳥類圖像數(shù)據(jù)集缺乏的情況,建立了東洞庭湖136類水鳥數(shù)據(jù)集,并對數(shù)據(jù)集中樣本進行了詳細標注。3.提出了一種基于父類mask特征聯(lián)合神經(jīng)網(wǎng)絡(CF-CNN)算法。該算法主要有兩點創(chuàng)新:第一,將鳥類細粒度類別作為子類,鳥類整體歸為父類,利用預訓練的分割網(wǎng)絡模型獲取父類mask信息,將mask信息作為attention信息對分類網(wǎng)絡特征進行特定區(qū)域增強操作;第二,認為細粒度類別應當更關注顏色、線條等底層特性,提出通過底層信息再利用的方式加強模型效果。最終...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

圖２．１單層感知機簡單結構圖??７??

使得整個人工神經(jīng)??網(wǎng)絡結構能通過編程語言控制或寫入硬件設備。在各種人工神經(jīng)網(wǎng)絡方法中??ＢＰ（ｂａｃｋ?ｐｒｏｐａｇａｔｉｏｎ）網(wǎng)絡是最經(jīng)典的人工神經(jīng)網(wǎng)絡之一，接下來本章將對ＢＰ網(wǎng)??絡進行介紹。??２．１．１單層神經(jīng)元結構??對于人工神經(jīng)網(wǎng)絡結構，它的核心處理單元叫做神經(jīng)元。....

圖２．?２多層感知器結構圖??

?第二章深度學習技術簡介???單層感知機的核心計算公式如２－１所示。??（ｓｆｌ?ｉｆ?ｗ－ｘ?＋?ｂ＞０??／（ｘ）｜〇?ｏｔｈｅｒｗｉｓｅ?（２＿丨）??ｍ公式中代表權重的大小，６是偏置項。６功能是避免過擬合的發(fā)生。ｗｘ??為ｍ代表輸入結構的數(shù)量，ｘ代表數(shù)值用于輸入。通常在簡....

圖２．?３簡單Ｂ－Ｐ神經(jīng)網(wǎng)絡模型圖??如圖２．３所示，最左邊的３個單元為輸入單元，輸入是一個由ｘｐｘ２，：ｃ３組成??

層神??經(jīng)網(wǎng)絡類似，區(qū)別在于增加了反向傳播的過程。ＢＰ神經(jīng)網(wǎng)的運算過程主要有三??點，第一步執(zhí)行與多層神經(jīng)網(wǎng)絡相同的正向傳播過程，第二步通過第一步得到的??輸出值與真實值進行比較，計算輸出值與真實值的差并進行反向傳播更新參數(shù)。??第三部步每輸入一部分樣本數(shù)據(jù)就重復第一二步，直到差....

圖２．４?ＢＰ算法流程圖??２．２卷積神經(jīng)網(wǎng)絡算法??目前計算機視覺領域中，研宄人員運用最廣泛的神經(jīng)網(wǎng)絡算法就是卷積神經(jīng)??網(wǎng)絡算法

?第二章深度學習技術簡介???集中單個樣本誤差的累加和。??在研究ＢＰ神經(jīng)網(wǎng)絡的過程中研究人員也發(fā)現(xiàn)了它的幾點缺陷：第一，ＢＰ??神經(jīng)網(wǎng)絡有訓練至局部最小化的可能性，這會使得最后的模型無法達到最優(yōu)解；??第二，ＢＰ神經(jīng)網(wǎng)絡由于參數(shù)眾多會導致訓練時間比較長久，并且對硬件要求也??比....

本文編號：3987523