基于卷积神经网络的图像分类方法研究

《基于卷积神经网络的图像分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ｖ；補０００４密级：公开学校代码：１－＇确於交道乂ＩＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕：ｔ专业学位论文基于卷积神经网络的图像分类方法硏究作者姓名結帛了程领域电子与通信工程．／胃Ｉ！指导教师苗振江教授ｉ培养院系计龍与信息技术学院巧守懸严ｙＵｌｆｌ＿＂＂ｋ嘴ｒｊｆｌ如交４乂＃硕±专业学位论文基于卷积神经网络的图像分类方法研究ＩｍａｅＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｇ作者；朱芸芸导师：

2、苗振江北京交通大学２０１６年６月学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务、、汇编供査阅和借阅。同，并采用影印缩印或扫描等复制手段保存意学校向国家有关部口或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：／：占年谷月曰签字曰期：又《年《月＞曰签字曰期户乃７密级：公开学校代码：１０００４北京交通大学硕±专业学位论文基于卷积神经网络的图

3、像分类方法研究ｍａｅＣｌａｓｓｉｃｔｉｏｎＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋＩｇｉｆａｏｎＢａｓｅｄ１４１２５１６８作者姓名；：朱芸芸学号：教授导师姓名；苗振江职称工程硕±专业领域：计算机视觉学位级别；硕±北京交通大学２０１６年６月ｉ致谢本论文的整体研巧工作是在我的导师苗振江教授的悉也指导下开展，研巧过程中苗振江教授对我的工作给予了非常大的帮助，对我的选题，研巧方向和研巧方法都进行了悉也、的指导。对于研巧中遇到的问题，苗振江教授总能及时地给我提供，给予了我很多。苗振江指导，确

4、保我研巧能够顺利进行教授拓宽了我的研巧思维了至关重要的作用。另外，两年的师生关学术上的启发，对我学术兴趣的培养起到、学习和工作上的关也无微不至。苗振江教授渊博系相处中，苗振江教授对我生活了巨大的影响。在此，的专业学识、严谨的学术态度、饱满的工作热情都对我产生我衷也地感谢苗振江教授对我的关怀、指导和帮助。感谢实验室中吴吴、许万茹、李敏、张强等同学对我研巧工作和生活、周天宇学习所给予的帮助。同时，他们的关也和支持是我继续前行的巨大动，我也要感谢我的家人和朋友、地学习和工作付出，我无法专屯。他们的支持是我面对困难和作，没有他们的默默挫折

5、的勇气来源。化巧々通大学硕±专业学位论文摘要、在多民族共存和文化多元化的背景下，民族文化作为中华民族的瑰宝在政治经济、文化、教育等多个方面有着深远的意义。民俗民间文化资源挖掘作为民族文。然而，传统的文化资源挖化的主要获取方法，越来越被学术界和工业界广泛认可、，在统计排査的过程中往往耗费掘方法，例如民俗文化节日事件的收集与分类等一，旦人工疲劳等原因疏漏关键事件，将大量的人力资源，而且会造成严重的后果，不能保持较离正确率。基于Ｗ上问题，图像分类技术作为计算机视觉中的经典技术可Ｗ有效地减少人力资源耗费并保证较商的检索、分类精度。

6、相比于其它海量图像，一民俗文化图像在特征、语义等方面有定的特殊性。本文重点对传统民俗文化图像中的节日事件图像的分类方法进行研巧，在传统分类方法的基础上提出了新的模型。本文的主要工作如下；，并在实验数据库上验证了算法的有效性和普适性（１）本文结合目标和场景两个重要视觉线索，并充分考虑了传统民俗文化节曰事基于目标识别和场景识别的卷积神经网络模型。鉴于目前业内没件的特点，设计了一＾＞，建立了有个专口的传统民俗文化节日事件数据库，所＾本文首先１＾严格的标准一Ｗ元宵节、植树节、端午节、中秋节和国庆个传统民俗文化节日事件数据库，并５０张训练样

7、本和４７４张测试样本。在模型设计阶段，节在内的类标签标注，１４５＂，，首先，在数据集Ｃａｌｔｅｃｈ２％上采用微调的ＡｌｅｘＮｅｔ网络对目标识别网络模型进＂＂行训练；其次，在数据集ＩＣＣＶ化ｅＣｈａＬｅａｍＬＡＰｃｈａｌｌｅｎｇｅ２０１５上采用微调的－ｌＮ络对场ｔ识别网络模型进行训练，在目Ｇｏｏｅｅｔ网；最后标数据集上利用多模型ｇ：融合的方法将两种训练模型的结果进行融合。基于目标数据库测试集的实验结果。该模型的平，表明：相比于巧合前的模型曲合后的模型有效地増加了图巧识别率均识别率（ｍＡＰ）可达到８４．８１％，较融合前的模型分别提髙６．巧％和

8、４．６４％。－Ｇｏｏ