未来智讯 > 神经网络论文 > 卷积神经网络的应用与成长

卷积神经网络的应用与成长

发布时间:2019-03-30 01:06:01 文章来源:未来智讯    
    juanjishen经wangluode应用与成长zuo者:未知   (zhongguoping易近航大学天津市 300300)   【摘 要】juanjishen经网luo首要由juanjiceng、chi化层、全联贯层组成。它在zhi标检cehe谋略机shi觉、语yinbian认等范畴成效卓然。本文首要简述juanji网络布局以及在各范畴应用。
  【关头词】卷积shen经网络;卷积网络布局;各范畴应用
  一、卷积神经网络
  卷积神经网络shi一种人zao神经网络,今朝已成weitu像辨认、语音剖析、zhi标检ce等范畴de切磋remen。权值共享及chihua操作有用de贬低了网络纷乱度,与深度jin修zhongdeMLP,DPN等网络比拟,具有较少的可调参数,贬低了进修纷乱水平以及xunlian所需时间;卷积神经网络在chu置er维tuxiangshi,具有位移、缩放即扭曲tu像稳定性。
  二、卷积神经网络布局
  卷积网络由shu入层、卷积层、池化层、全联贯层及shu出层组成基本布局。卷积层和池化层一般成对瓜代呈现。因为卷积层中te性mian的神经元与其输入bu分联贯,议决响应的权值与部分输入进行加权乞降再jiashang偏置值,获得该神经元输入值,该过程等同于卷积过程,卷积神经网络也由此定名。
  (一)卷积层
  卷积层(convolutional layer)由多ge特性面构成,每个特性面由多个神经元构成,它的meiyi个神经元议决卷积核与上一层特性面的部分区域相连。卷积核是一个权值矩阵。卷积层议决卷积操作tiqu输入的各异特xing低层卷积层提取初级特性如边沿、线条、旮旯,更高层的卷积层提取更高级的特性。
  (二)池化层
  池化层(pooling layer,也称为取样层)在卷积层之hou,由多个特性面构成,它的meiyi个特性面独一对应于其上一层的一个特性面。卷积层的输出是池化层的输入,且池化层的神经元也与其输入层的部分jie管域相连。池化层旨在议决贬低特性面的分辩率来得到空间稳定性的特性,池化层起到二次提取特性的作用。常用的池化要领有最大池化即取部分接管域中值最大的点、均值池化即对部分接管域中的全部值求均值、随机池化。
  (三)全联贯层
  卷积网络布局中,最终一个池化层后联贯着至少一个全联贯层。全联贯层中的每个神经元与其前一层的全部神经元进行全联贯。全联贯层能gou整合卷积层或者池化层中具有种biequ分性的部分信息。最终一层全联贯层的输出值被传递给一个输出层,能够选取softmax逻辑回归进行分lei,该层yeke称为softmax层。
  (四)特性面
  特性面数量作为卷积网luode一个严重参数,平ri是凭据现实需求进行配置的,若特性面过少,可能会shi一些特性被忽视掉,倒霉于网络的进修;可是若是特性面个数过多,训练参数个数及网络训练时间也会添加,也倒霉于进修网络mozi。
  三、现实应用
  (一)图像辨认
  近年来,卷积网络已普遍应用于图像处置范畴。行使机xie进修的要领,使得谋略机可以辨认图像中的内容。模式辨认中的一个首要范畴是图像辨认,首要she及zi符辨认、人脸辨认、物体辨认等。在图像辨认中,手写数字辨认和人脸辨认是被研宄的比力多的范畴。手写数字辨认能够被用于主动读取银行支票信息、信封上的邮政编码和一些文档中的数据等。
  (二)音频检索
  Hamid等联合隐马尔科夫设立了基于卷积网络的语音辨认模子,并在尺度语音数据库长进行尝试,尝试了局显shigai模子的准确率相对付具有不异隐含层数和权值的常规神经网络模子提高了10%,证明卷积网络模子可以更好的应用于语音辨认。
  (三)zhi标检测
  运动指标检测是视频监控的基本预处置程序之一,平日是行使机械视觉等技艺将指标从配景平分离出来。在一个适用的谋略机视觉体系中跟踪指标的初始状况一般由指标检测了局给出,同时为语义层剖析义务供给所必要的运动信息。是以,指标检测是高层领会与应用的根本义务,其本能的优劣将直接影响后续的指标跟踪、动作辨认以及行为领会等后续义务的本能。按照算fa处置对象的各异,指标检测大致能够分为基于配景建模的指标检测要领和基于远景建模指标检测要领两大类。个中, 基于配景建模的要领议决设立配景模子与时间的联系关系,间接地离散出运动远景,最终颠末远景朋分获得指标;基于远jingzhi标建模的要领则是议决设立指标的表观模子,设计出适当的分类器对视频中的指标进行分类和检测。
  四、归na
  跟着人造神经网络的飞快成长,卷积网络的共享权值、训练所需的配置参数少、鲁棒性强等良好特征使其成为了切磋的热门。卷积网络议决权值共享削减了必要训练的参数个数、贬低了网络的设计和谋略纷乱度,同时议决池化操作使得网络对输入的部分变换具有必然的稳定性,升迁了网络的泛化才力。卷积网络将原始数据直接输入到神经网络中,然后隐性地从数据中进行自立进修。虽然卷积网络所具有的zhe些特点使其已被普遍应用于种种范畴中出格是模式辨认与人造智能范畴,可是卷积网络仍有很多事情必要进一步切磋;如当处置一个具体的义务,很难确定必要几多个卷积层和池化层,每一层使用多大的卷积核和步速等才使得训练了局最优。
  总的来说,卷积网络在模式辨认与人造智能等范畴中的成长与应用,使它在将来很长的一段时间内仍然是人们切磋的一个热门。新的理论和技艺的纳入以及新成果的呈现会将卷积网络应用于更多新的范畴中。
  【参考文献】
  [1] Yann LeCun, Leon Bottou, Yoshua Bengio, et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE,1998, 86(11):2278-2324
  [2] Gao Li-Gang, Chen Pai-Yu, Yu Shi-Meng. Demonstration of convolution kernel operation on resistive cross-point array. IEEE Electron Device Letters, 2016,37(7):870-873
  [3]尹,闫磊.基于深度卷积神经网络的图像指标检测[J].工ye把握谋略�C,2017,30(4):96-97
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0330/86643/
 与本篇相关的热门内容: