基于卷积神经网络的图像识别算法ppt课件
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于卷积神经网络的图像识别算法
指导老师：---汇 报 人：----
ppt课件.
1
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
ppt课件.
2
图像分类目标
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
Cat
Or Non-Cat ？
ppt课件.
3
方法选择
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。
ppt课件.
10
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
ppt课件.
11
实验结果
Baidu Nhomakorabea
测试集来源 CIFAR-10 多源随机下载图片
测试集样本数 2000 100
准确率 89% 73%
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
ppt课件.
6
卷积神经网络图像分类基本流程
ppt课件.
7
实验环境
操作系统 处理器 内存
Python版本 Anaconda版本 深度学习框架
Windows 10 64位操作系统 Intel i5 CPU
6GB DDR3 1600 Python 3.5.2
Anaconda 4.2.0 TensorFlow
ppt课件.
8
数据来源及文件组织
训练集 测试集1 测试集2
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
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
ppt课件.
5
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。
ppt课件.
4
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，
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
ppt课件.
9
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
ppt课件.
12
请各位老师批评指正
ppt课件.
13
此课件下载可自行编辑修改，供参考！ 感谢您的支持，我们努力做得更好！
指导老师：---汇 报 人：----
ppt课件.
1
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
ppt课件.
2
图像分类目标
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
Cat
Or Non-Cat ？
ppt课件.
3
方法选择
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。
ppt课件.
10
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
ppt课件.
11
实验结果
Baidu Nhomakorabea
测试集来源 CIFAR-10 多源随机下载图片
测试集样本数 2000 100
准确率 89% 73%
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
ppt课件.
6
卷积神经网络图像分类基本流程
ppt课件.
7
实验环境
操作系统 处理器 内存
Python版本 Anaconda版本 深度学习框架
Windows 10 64位操作系统 Intel i5 CPU
6GB DDR3 1600 Python 3.5.2
Anaconda 4.2.0 TensorFlow
ppt课件.
8
数据来源及文件组织
训练集 测试集1 测试集2
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
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
ppt课件.
5
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。
ppt课件.
4
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，
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
ppt课件.
9
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
ppt课件.
12
请各位老师批评指正
ppt课件.
13
此课件下载可自行编辑修改，供参考！ 感谢您的支持，我们努力做得更好！