一种基于卷积神经网络的图像分类方法
基于神经网络的高分辨率遥感影像分类研究的开题报告
基于神经网络的高分辨率遥感影像分类研究的开题报告摘要：高分辨率遥感影像的分类在实际应用中具有重要意义，如土地利用、环境监测等。
传统的遥感影像分类方法主要基于像元级别的特征提取和分类器设计，但这种方法难以处理大量的遥感数据。
基于神经网络的方法由于可以自动提取特征和分类，因此成为了在遥感图像分类中的研究热点。
在本文中，我们将介绍基于神经网络的高分辨率遥感影像分类方法的研究现状和研究意义，并提出一个基于卷积神经网络（CNN）的遥感影像分类模型。
我们将使用公开的高分辨率遥感影像数据集进行实验，评估模型的性能和效果。
本研究的结果可以为高分辨率遥感影像的分类和应用提供帮助。
关键词：高分辨率遥感影像，影像分类，神经网络，卷积神经网络1. 研究背景与意义随着卫星技术的发展，高分辨率遥感影像的获取和应用逐渐普及。
高分辨率遥感影像的分类在很多领域中都具有重要意义，如土地利用、城市规划、环境监测等。
传统的遥感影像分类方法主要是基于像元级别的特征提取和分类器设计，但这种方法难以处理大量的遥感数据，且特征提取的准确度和分类性能的表现都受到很大的限制。
相较于传统方法，基于神经网络的方法具有自动特征提取和分类的优势，在遥感图像分类中也迅速得到了广泛应用。
特别是卷积神经网络（CNN）作为一种可以通过学习得到图像特征的模型，被广泛应用于遥感影像分类领域。
因此，本研究旨在探讨基于CNN的高分辨率遥感影像分类方法，通过实验评估其性能和效果，为高分辨率遥感影像的分类和应用提供参考和帮助。
2. 研究内容和方案2.1 研究内容本研究的主要内容包括以下几个方面：（1）介绍高分辨率遥感影像分类的研究现状和背景，重点介绍基于神经网络的方法。
（2）设计基于CNN的高分辨率遥感影像分类模型，包括模型结构、参数设置和实现细节等。
（3）使用公开的高分辨率遥感影像数据集进行实验，评估模型的性能和效果，并与传统方法进行比较。
（4）对实验结果进行分析和总结，提出改进方法和未来研究方向。
基于卷积神经网络的场景分类预测模型应用
2021.51概述人工智能机器人、无人驾驶已普遍应用在多个科技领域,而场景的分类对于人工智能机器人、无人驾驶技术来说,尤为重要。
机器人都过辨别所处的场景,做出相应的应答措施;无人驾驶汽车通过场景的识别和分类来辨别自己行驶车道的精准度,所以场景分类给予人工智能机器人、无人驾驶等技术提供了重要的支撑。
而且其中实现的Python 语言在Linux 平台具有更强的鲁棒性和易移植性等多种优点,为更多的机器学习提供优良的理论和实战根基。
目前常用的场景分类方法主要有,依靠传统人工设计的局部特征描述子,其中视觉词标签提出要把像素点局部不变的特征作为标签,提取出来,然后再通过视觉词标签出现的频率塑造整个图像[1-2]。
该方法虽然能够进行场景分类,但是该模型忽视了视觉标签的位置地址信息,要实现图像之间的相互关系实乃遥不可及,所以针对大部分图像场景分类方法中提取的特征结构单一,依赖于大量人工标记的数据以及分类器的训练过程缓慢等问题,提出了用卷积神经网络的场景分类模型参与预测,测试实验结果表明了其超高的准确度。
2关键技术2.1TensorflowTensorflow [3]是一个基于数据流编程的符号数学系统,被广泛应用于各类机器学习算法的编程实现,其前身是谷歌的神经网络算法库DislBelief [4],Tensorflow 给予Python 4个不同版本,而且安装Python 版的Tensorflow 可以使用模块管理工具pip/pip3在终端直接运行,主要应用Tensorflow 库里面的深度学习框架,对场景特征进行深度学习和特征提取。
2.2卷积神经网络卷积神经网络[5]是当代神经网络的核心框架的延申,Tensorflow 又为卷积神经网络的实现提供了及其重要的基本工具,提供了重要的算法库,从搭建环境到里面理论的深度研究、内核代码的实践,给本文场景分类模型的建立提供了极其重要的作用,使用Python 实现了卷积神经网络3层结构,卷积层、采样层和全链接层,单个神经元经过每一层的加权和偏移,再经过激活函数,循环训练成百上千次,获得各类场景对应的标签文件,Python 实验显示精准度达到百分之九十以上。
图像分类方法在医学研究中的应用
图像分类方法在医学研究中的应用随着计算机科学和人工智能的发展，图像分类方法在医学研究中的应用不断增多。
图像分类方法主要是通过机器学习模型对图像进行分类，从而识别或预测图像中的相关信息。
在医学领域中，图像分类方法可以用于医学图像的诊断、治疗以及疾病预测等方面。
本文将从医学图像分类方法的原理和实践应用入手，介绍图像分类方法在医学研究中的应用进展及其优缺点。
一、医学图像分类方法的原理医学图像分类方法主要包括以下几个步骤：特征提取、特征选择、分类模型的训练和测试。
其中，特征提取是将医学图像中的像素数据转化为具体的特征，通常采用机器学习中的自动编码器、卷积神经网络等方法。
特征选择是在特征提取后对特征进行筛选，剔除无用或冗余的信息，只保留与分类相关的有用信息，常用的方法包括递归特征消除以及相关系数等。
分类模型的训练和测试是将选择出来的特征输入到机器学习模型中，根据特征的类别进行分类模型的训练，然后用测试集检验精度。
二、应用实例图像分类方法在医学图像诊断中的应用领域非常广泛，如针对不同类型的皮肤病、CT影像的疾病诊断、乳腺癌检测等等。
下面以肺癌诊断为例，介绍图像分类方法在医学图像诊断中的应用实例。
对于CT影像的肺癌诊断，研究人员通常采用卷积神经网络（CNN）进行图像分类。
通过将CT影像的扫描图像切分成小块，然后对小块进行特征提取和模型训练，最终将小块图像的分类结果合并成整个CT影像的分类结果。
研究表明，基于卷积神经网络的图像分类方法可以实现对肺癌的自动识别和准确判断。
三、优缺点分析医学图像分类方法的优点在于，可以自动地对医学图像进行分类和诊断，有助于解放医生的工作量，提高医疗效率。
此外，图像分类方法对于医学图像的识别和判断能力也很强。
但是，医学图像分类方法也存在一些缺点，主要包括训练集样本不足和算法的可解释性不强等问题。
由于医学图像中的数据集很难获取，很多研究数据都需要基于医院等实际场景进行研究，这就要求研究者处理数据时具备专业性。
计算机视觉中的图像分类方法(六)
计算机视觉中的图像分类方法一、引言计算机视觉是一门涉及图像处理、模式识别和机器学习的领域，它的目标是让计算机能够像人类一样理解和处理图像。
图像分类是计算机视觉中的一个重要问题，它是指将图像分到不同的类别中，比如将一张包含猫的图片分到“动物”一类，将一张包含汽车的图片分到“交通工具”一类等。
在本文中，我们将讨论计算机视觉中的图像分类方法。
二、传统的图像分类方法传统的图像分类方法通常基于手工设计的特征和传统的机器学习算法。
在这些方法中，图像首先经过特征提取的过程，提取出图像中的局部特征或全局特征，比如颜色、纹理、形状等。
然后利用这些特征和机器学习算法进行训练，最后对新的图像进行分类。
代表性的算法包括支持向量机（SVM）、K近邻（KNN）等。
这些方法在一定程度上取得了一定的成功，但是在处理复杂的图像分类问题时往往表现不佳。
三、深度学习在图像分类中的应用近年来，深度学习在图像分类领域取得了巨大的成功。
深度学习是一种基于人工神经网络的机器学习方法，它通过多层神经网络对数据进行学习和抽象，从而能够更好地表征数据。
在图像分类中，卷积神经网络（CNN）是目前最常用的深度学习算法。
CNN能够自动学习图像中的特征，并且能够逐层地对图像进行抽象和表示，从而能够更好地解决图像分类问题。
四、图像分类中的数据增强在图像分类中，数据增强是一种常用的技术。
数据增强是指在训练过程中对数据进行一系列的变换，比如平移、旋转、缩放等，从而生成更多的训练样本。
数据增强能够有效地扩充训练数据集，减少过拟合的问题，提高模型的泛化能力。
在图像分类中，数据增强通常是不可或缺的一部分。
五、迁移学习在图像分类中的应用迁移学习是一种将已训练好的模型应用到新的任务中的方法。
在图像分类中，通常会使用在大规模图像数据集上预训练好的模型，比如ImageNet上的预训练模型，然后在特定的图像分类任务上进行微调。
迁移学习能够大大加速训练过程，同时能够提高模型的性能。
基于深度学习卷积神经网络图像识别技术的研究分析探讨
信息通信INFORMATION & COMMUNICATIONS2019年第7期(总第199期)2019(Sum. No 199)基于深度学习卷积神经网络图像识别技术的研究分析探讨苏越(广州华立科技职业学院，广东广州511325)摘要:随着我国移动互联网技术的快速发展，微信,QQ,微博，手机应用等手机媒体的新起，以及智能手机,平板电脑和数码相机等移动设备的大量使用，与3G,4G,wifi 等高速无线网络的不断普及，让更多的用户能够更快更方便的上传和浏 览各种图像。
但是，生活中还是有很多没有标记的图像,这些没有标记的图像很难进行搜索和处理，用户不能够更快的找到自己想要的图像，所以传统的图像分类识别方法并不能够满足现在的用户，还会给现在的用户在进行图像分类识别的时候造成一定的不便,浪费不必要的时间，尤其是在复杂环境下对自然图像的分类与识别。
关键词:卷积神经网络；图像识别技术;深度学习；分析探讨中图分类号:TP183 文献标识码:A 文章编号：1673-1131(2019)07-0007-020引言人们迫切希望有一种更好更便捷的图像分类识别方法的 出现,卷积神经网络图像识别技术就是在这种条件下出现的。
并且能够很好的运用到人们的生活中,使人们的生活更便捷,减少不必要的麻烦。
1引入卷积神经网络图像识别技术人的大脑每时每刻都在接收各种各样的信息，并对这些信息进行处理和储存，当再一次使用时，大脑能够更快更准 的提取出存储的信息并且能够最大化的使用他们。
人工神经网络技术就是模仿大脑的神经网络结构，并且通过大脑的神经网络结构归纳出的一种人工智能处理图像的方法。
但是这种图像处理方法仍然有一定的缺陷，并不能解决人们的需求。
在使用人工神经网络技术时，处理图像时还需要处理影响图像效果的噪音因素。
而卷积神经网络图像识别技术就是在人工神经网络技术的基础上研究出的一种更方便的 处理图像的方法。
卷积神经网络图像识别技术是一种特殊的多层感知器，他主要是为了能自动识别和提取图像特征并且更好的识别二维图像。
基于注意力机制图卷积神经网络的图像检索方法与制作流程
本技术提供一种基于注意力机制—图卷积网络以及课程学习的基于内容的图像检索方法，包括下列步骤：根据数据集的特征分布情况划分数据集，将数据集划分为简单、中等和困难以及不可使用四种字集，利用课程学习原理由易到难将四种子集输入到深度学习神经网络中。
然后使用基于图卷积的深度学习网络模块提取图片的显著特征，构建图片的空间特征图并进行推理得到最终的特征表示。
最后使用最终的特征表示进行关联匹配进行图像检索。
技术要求1.基于注意力机制图卷积神经网络的图像检索方法，其特征在于：包括以下步骤：将数据集按照统一标准划分为训练集、校验集与测试集，利用预训练的深度学习神经网络提取待训练数据集的特征向量，根据特征向量的相似性与稀疏、稠密性进行数据集划分，将划分好的训练集按照由易到难的顺序传入基于图卷积神经网络的深度学习神经网络中，进行图像检索工作；在分步训练的过程中，损失函数为Triplet损失函数，训练中等难度的数据集时，损失函数是简单数据集与中等数据集两个损失函数按照3∶7加权想加，而训练困难的数据集时，损失函数是简单、中等、困难三个函数的平均加权；使用图卷积神经网络与注意力机制对传入的图片进行显著特征的提取，提取最终的图片特征表示，图卷积神经网络的主要公式如下：Fg＝Wr(AgFvWg)+Fv其中Ag是(H×W)×(H×W)的邻接矩阵，Wr为残差结构矩阵，Fv是深度学习网络输出的矩阵，Wg为图卷积神经网络的权重矩阵。
注意力机制的主要公式如下：Fmask＝σ(MLP(AvgPool(Fg)))其中σ是激活函数，MLP是多层全连接层，AvgPool是平均池化层；使用图片特征表示进行图像检索工作，提高基于内容的图像检索工作的准确度与鲁棒性，并提高神经网络对抗不相关物体干扰的能力。
于：去除神经网络的最后一层全连接层，将待训练的数据集传送入除去全连接层的神经网络中，使用resnet101深度学习神经网络提取待训练的数据集的特征向量；获得特征矩阵后，计算同一个查询的所有图片的特征向量的欧几里得距离，并得到特征——稀疏稠密矩阵；根据特征——稀疏稠密矩阵，矩阵中的每一个值代表两个图片之间欧几里得距离的大小Dis，获得欧几里得距离矩阵后，设定一个阈值T，对于欧几里得矩阵中的每一个值，低于阈值T的被认为两个图片之间的特征相差过大，以至于无法被神经网络轻松地识别为同一类物体：对距离矩阵使用阈值T公式后，对这张图片的欧几里得矩阵中的每一个值(0或1)进行求和，得到这张图片的特征向量稀疏-稠密得分：其中i，j代表同一个查询中的两张图片的特征表示，T是设定的阈值，得分较高的图片被认为与其他图片的特征向量距离较近，因此被划分为简单组，同理，将距离中等的图片划分为中等组，将距离较远的图片划分为困难组，将那些脱离了簇群过大的图片划分为不可识别组，不可识别组在训练过程中被移除。
基于深度学习的遥感图像分类与分割算法研究
基于深度学习的遥感图像分类与分割算法研究深度学习技术在遥感图像分类与分割领域中具有广泛的应用前景。
遥感图像是通过遥感技术获取的大范围、高分辨率的地球表面图像，包含丰富的地物信息。
遥感图像的分类与分割对于地质勘探、环境监测、农业发展等领域具有重要作用。
本文将研究基于深度学习的遥感图像分类与分割算法，以提高遥感图像处理的精度和效率。
一、引言遥感图像是通过卫星、飞机等高空平台获取的图像，具有地理信息的广覆盖性和高分辨率特点。
传统的遥感图像分类与分割方法主要依赖于手工设计的特征提取算法，对于不同类型的遥感图像需要进行特征工程的设计。
然而，特征工程具有主观性和局限性，不能很好地适应各种不同的遥感图像场景。
深度学习技术具有自动学习和特征表示的能力，可以更好地适应复杂的遥感图像特征。
因此，基于深度学习的遥感图像分类与分割方法受到越来越多的关注。
二、深度学习在遥感图像分类与分割中的应用1. 卷积神经网络（CNN）在遥感图像分类中的应用卷积神经网络是深度学习中最常用的网络结构之一，具有良好的特征提取和分类能力。
在遥感图像分类中，CNN可以通过多层卷积和池化操作提取图像中的空间信息和语义信息，并通过全连接层进行分类预测。
通过训练大量的标注数据，CNN可以学习到遥感图像的特征表示，从而实现高精度的分类。
2. 循环神经网络（RNN）在遥感图像分割中的应用循环神经网络是一种能够处理序列数据的神经网络模型，对于遥感图像的像素级别分割具有优秀的性能。
通过引入长短期记忆（LSTM）单元，RNN可以学习到遥感图像中像素之间的空间相关性，从而实现精确的像素级别分割。
RNN在处理遥感图像时，可以考虑到像素的上下文信息，提高了分割算法的精度。
三、基于深度学习的遥感图像分类与分割算法研究1. 深度卷积神经网络（DCNN）算法深度卷积神经网络是一种具有多层卷积层和池化层的网络结构，可以通过多层的卷积和池化操作提取遥感图像中的特征。
DCNN算法通过端到端的训练方式，可以自动学习遥感图像的特征表示，并通过全连接层实现图像的分类。
遥感图像处理中基于卷积神经网络算法改进
遥感图像处理中基于卷积神经网络算法改进摘要：遥感图像处理是指利用遥感数据进行图像分析、图像改善和图像解译等一系列处理步骤。
随着卷积神经网络（Convolutional Neural Networks，简称CNN）的发展和应用，基于CNN的遥感图像处理算法也得到了广泛研究和应用。
本文将重点介绍基于CNN算法改进的遥感图像处理方法，并分析其优缺点及应用前景。
1. 引言遥感图像处理在农业、环境、城市规划、地质勘察等领域具有广泛的应用。
传统的遥感图像处理算法主要基于数学模型和统计学方法，其处理效果受到传感器性能和图像特征的限制。
而卷积神经网络在深度学习领域取得了巨大的突破，并在图像分类、物体检测、语义分割等任务中表现出色。
因此，将卷积神经网络应用于遥感图像处理具有重要意义。
2. CNN在遥感图像处理中的应用研究概况卷积神经网络由于其对图像特征的自动学习能力，逐渐被引入到遥感图像处理领域，并在图像分类、目标检测与识别、图像分割等任务中取得了显著的成果。
其中，基于CNN的遥感图像分类方法是应用较为广泛的研究方向之一，该方法通过对遥感图像的卷积、池化和全连接等操作，提取图像的空间和频谱特征，从而实现图像的分类和识别。
此外，基于CNN的目标检测与识别方法也取得了令人瞩目的成果，该方法通过利用CNN网络的多层卷积和池化操作，有效地提取图像中的目标特征，实现对遥感图像中目标的检测和识别。
此外，基于CNN的遥感图像分割方法依靠卷积神经网络中的反卷积操作和跳跃连接等技术，将遥感图像分割为一系列像素级别的区域，从而实现对遥感图像中各类目标的精确分割。
3. 基于CNN的遥感图像处理算法改进方法尽管基于CNN的遥感图像处理方法取得了一定的成果，但仍然面临一些挑战和问题，如网络训练困难、模型泛化能力差等。
为了提高基于CNN的遥感图像处理算法的性能和鲁棒性，研究者们提出了一系列改进方法。
其中，数据增强是一种常见的改进方法，通过对遥感图像进行旋转、平移、缩放等操作，增加训练数据的多样性，从而提高模型的泛化能力。
- 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)。
F
福建电脑
UJIANCOMPUTER
福建电脑
2018年第2期
基金项目：国家级大学生创新训练计划项目（201610719001）；陕西省大学生创新训练计划项目（1495）。
0引言
图像分类就是利用计算机模拟人类对图像的理解和认知袁
自动根据图像的内容将图片划分到合适的类别中袁它在智能识
别尧目标检测和信息搜索等计算机视觉领域有着广泛的应用袁
图像分类问题也一直是计算机视觉的基本问题遥目前袁关于图
像分类的研究大多集中在医学图像尧遥感图像等专业领域袁而
对于自然图像分类的研究较少袁虽然分类的算法如K最近邻算
法[1]尧决策树算法[2]尧神经网络算法[3]尧支持向量机算法[4]和一些混
合算法[5]能达到较可观的分类效果袁但对大数据库的分类袁存在
训练时间长袁准确度低尧易出现过拟合等缺点遥
由于卷积神经网络
[6]
渊ConvolutionalNeuralNetwork,CNN冤
具有输入图像不需预处理曰特征提取和模式分类同时在训练中
产生曰权重共享减少了网络训练参数曰很强的抗干扰能力等优
点遥本文首先分析探讨了卷积神经网络结构尧原理袁提出了一种
改进的卷积神经网络袁设计了基于该模型的图像分类算法袁实
验结果表明该模型能提取出大数据库中图像明显特征袁可精确
地对图像集进行分类遥
1卷积神经网络及其改进
CNN是将卷积运算引入到深度学习模型袁属于多层前馈神
经网络模型袁但与传统不同的是它的输入是二维模式袁可以直
接处理二维模式袁其连接权是二维权矩阵袁称为卷积核袁基本操
作是二维离散卷积和池化遥简单地说袁CNN就是能够自动的对
于一张图片学习出最好的卷积核以及这些卷积核的组合方式遥
1.1CNN结构
CNN一般由卷积层尧池化层尧全连接层和一个输出层渊或分
类器冤组成遥每层由多个二维平面块组成袁每个平面块由多个独
立神经元组成袁如图1所示遥
卷积层通过卷积运算提取图像的不同特征袁包含若干组
CNN训练的参数袁即进行学习的卷积核袁当前层的卷积核对输
入的一组图片做卷积运算袁再经过激活函数得到新的特征图
像袁通常采用卷积离散型将输入原始图像的像素输出为新的像
素点袁可由公式(1)计算得出院
(1)
其中袁M茁表示输入特征图像的子集曰W酌琢茁表示卷积核曰酌表
示网络层数曰b酌茁表示输出特征映射的偏置袁枣表示激活函数袁最
常用的是sigmoid函数与双曲正切函数遥
卷积层后一般接入池化层来减小数据量袁通过池化把输入
的特征图像分割为不重叠的矩形区域袁而对相应的矩形区域做
运算袁常见的有最大池化和均值池化遥经过交替的卷积层和池
化层之后袁已经获得了高度抽象的特征图像袁全连接层把得到
的多个特征映射转化为一个特征向量以完全连接的方式输出袁
最后对提取的特征进行分类遥
1.2CNN工作原理
在CNN中袁通过神经网络的梯度反向传播算法实现对参
数的学习训练袁属于有监督学习遥在进行学习训练过程中袁输入
信号的训练输出和实际输出会有一定误差袁误差在梯度下降算
法中逐层传播袁逐层更新网络参数遥假设样例渊x袁y冤的损失函数
为C渊W袁b曰x袁y冤袁如式(2)遥
(2)
为防止过拟合袁需增加袁L2范数袁如式(3)遥
(3)
其中袁h
W袁b
渊x冤为输入样本x经过CNN后的输出袁y为样本
的标签真值袁姿为控制强度遥为了使代价函数尽可能的小袁因此
需要不断更新每一层的权重W和偏置项b袁任意一层渊假设为
酌层冤的权重更新如式(4)遥
(4)
1.3CNN的改进
在处理大数据集方面袁由于卷积层和池化层数较少袁获得
的特征图相对不足袁因此达不到较好的分类效果遥针对该缺点袁
依据CNN的卷积层和池化层设置灵活性袁不同的结构设置会
得到不同结果的特点袁对传统CNN进行了两方面的改进袁一方
面将卷积层和池化层层数分别增至3层袁提高了各层提取图像
特征的能力袁使分类效果得到改善曰另一方面设置卷积核大小
为5伊5袁扫描的步长为2袁在提高训练效率的同时也保证了分类
精确度遥
2基于改进CNN的图像分类
一种基于卷积神经网络的图像分类方法
张琳林，曹军梅
（延安大学计算机学院陕西延安716000）
【摘要】利用卷积神经网络是深度学习的一种高效识别模型的思想
，将卷积神经网络应用于图像分类中，避免对图
像进行复杂的预处理的同时也提高了图像分类的准确度。在分析卷积神经网络结构
、原理及特点的基础上，提出了一种
改进的卷积神经网络模型，设计了基于该模型的图像分类算法，并在大数据库CIFAＲ-10下进行实验验证，
表明图像分
类的准确度高，总结了网络模型对图像分类结果的影响因素
。
【关键词】卷积神经网络；图像分类
；卷积；池化；特征图像
图1CNN的基本结构
DOI:10.16707/j.cnki.fjpc.2018.02.021
46··
F
福建电脑
UJIANCOMPUTER
福建电脑
2018年第2期
将本文改进的CNN用于图像分类袁具体的图像分类流程
如图2所示袁包含训练过程和测试过程袁卷积层采用sigmoid函
数作为激活函数袁池化层采用均值池化遥训练过程院从训练图像集的某一类中任意选取一个参加训练的图像袁通过移动感受野对图像进行3层交替的卷积与池化袁提取到训练图像的多方面特征袁将多方面特征经全连接后野拼接冶起来袁输出袁求出该输出与理想输出的误差袁为使误差达到最小阈值袁需进行反向传播并调整权值遥通过多次迭代完成训练过程袁得到学习模型遥测试过程是对训练得到的学习模型进行测试袁只需对训练图像进行3层交替的卷积与池化袁最后全连接即可遥3图像分类实验及分析3.1实验设置实验使用Google的TensorFlow深度学习框架袁学习模型使用本文提出的改进CNN的7层模型袁实验数据集为通用的图像分类数据集CIFAR-10袁该数据集包含60000幅32伊32像素的照片袁共分为10类袁分别为airplane尧automobile尧truck尧ship尧horse尧dog尧bird尧cat尧deer尧frog袁每一类6000幅袁其中5000幅为训练集袁1000幅为测试集遥3.2实验结果3.2.1不同网络结构对分类结果的影响设置4种不同的网络结构CNN1院4c-2s-8c-2s-12c-2s曰CNN2院8c-4s-12c-4s-16c-4s曰CNN3院10c-4s-16c-4s-20c-4s曰CNN4院12c-4s-20c-4s-24c-4s曰结构设置中c表示卷积层袁s表示池化层袁数字表示相应层所取特征映射个数遥实验结果如表1
所示遥
分析得出袁在一定范围内袁分类的准确率随着特征映射数
的增多而增大袁过小的池化矩阵会导致不理想的分类效果袁不
同的网络结构对测试时间影响较小袁但对训练时间影响较大遥
3.2.2迭代次数对分类结果的影响
CNN通过多次迭代运算从而得到理想参数遥应用不同迭代
次数的实验结果如表2所示遥
表2不同迭代次数的实验结果
分析得出袁在一定范围内袁分类的准确率随着迭代次数的
增加而上升袁但当训练次数足够多时袁特征参数就趋于稳定袁表
示CNN已呈收敛状态袁分类性能达到最优袁训练所用时间随着
迭代次数的增加而增加袁但测试时间不受其影响遥
4结束语
CNN通过共享权值尧感受野和池化等过程进行学习袁具有
计算复杂性低袁鲁棒性好遥本文将改进的CNN应用与大数据库
CIFA砸-10的实验中袁实验结果表明改进后的CNN能够较好
的实现大数据库中图像的分类遥
参考文献：
［1］张志强,乃永强等.基KNN的均值漂移图像分割算法［C］.第18届
中国系统仿真技术及其应用学术年会,2017:220-224
［2］贾世杰等.基于互补特征和类描述的商品图像自动分类［J］.电子与
信息学报,2014,32(10):2294-2300.
［3］阳柯.基于深度神经网络的图像分类算法研究［D］.沈阳航空航天大
学,2016:236-248
［4］王振武,孙佳骏.基于支持向量机的遥感图像分类研究综述［J］.计算
机科学,2016,43(9):11-17
［5］ZhaoYongwei,LiTing.Imageclassificationmethodbasedondeep
learningcodingmodel［J］.AdvancedEngineeringSciences,2017,49(1):
213-220．
［6］周飞燕,金林鹏.卷积神经网络研究综述［J］.计算机学报,2017,40(7):
1-22.
作者简介：
张琳林（1996-），男，汉族，陕西渭南人，
本科，研究方向：计算机视
觉；曹军梅（1970-），女，汉族，陕西延安人，
副教授，主要研究方向：图
像处理，计算机视觉
。
网络平均准确率训练时间渊s冤测试时间渊s冤
CNN150.2%6832.58.7
CNN281.5%6532.68.6
CNN387.3%8290.29.4
CNN485.0%10986.59.6
迭代次数1050100200300500
平均准确率52.4%83.2%87.1%87.6%85.3%85.3&
训练时间渊s冤762.33946.47598.314385.824683.940869.5
测试时间渊s冤7.38.18.38.99.89.2
图2改进CNN流程简图
表14种网络结构的实验结果
47··