全文总字数:4977字
1. 研究目的与意义(文献综述)
1.1 研究目的及意义
近年来,深度学习使机器学习在人工智能领域取得了重要突破。由于深度学习在特征提取上具有的显著优势,使其在很多图像识别任务中都发挥了很大的作用。而卷积神经网络对深度学习在图像处理等方面的研究具有十分瞩目的作用。
卷积神经网络作为一种深度学习的神经网络,它的输入一般为未经过预处理的原始图片。其基本结构包括输入层、卷积层、子采样层、全连接层和输出层。其中,卷积层和子采样层可重复出现。子采样的目的是进行二次特征提取,其中最重要的过程就是池化。
2. 研究的基本内容与方案
本次设计的基本内容为研究经典池化模型、改良池化模型和动态自适应池化模型的原理和方法,重点研究动态自适应池化模型,在visual studio 2010或matlab或python环境下实现并将之可视化,对结果进行比较分析。
对于经典池化模型中的最大池化模型,最大池化保留了每一小块池化域中的最大值,以最大值表示这一块区域最佳匹配的结果。所以卷积神经网络经过池化操作之后,不再关注池化域内匹配特征的具体位置,而是只关注是否存在匹配特征。所以池化操作可以增强旋转、平移、尺度不变性。此外,对于最大值池化,可以减少由于卷积层参数误差造成估计均值偏移引起的特征提取误差,保留特征图更多的纹理信息。
对于经典池化模型中的平均池化模型,平均池化通过计算池化域内的平均值提取特征图的特征,并对输入特征图进行降维。在特征提取的过程中,池化域大小受限会造成估计值方差增大,从而引起误差,平均池化可以减小这方面的误差,更多地保留图片的背景信息。
3. 研究计划与安排
第1-3周:查阅相关文献资料,明确研究内容,了解研究所需理论基础,确定方案,完成开题报告。
第4-5周:熟悉掌握基本理论,完成英文资料的翻译,硬软件总体设计,熟悉开发环境。
第6-12周:分步实施,编程实现各算法,并进行仿真调试,实验及分析,撰写论文初稿。
4. 参考文献(12篇以上)
[1]刘万军,梁雪剑,曲海成.不同池化模型的卷积神经网络学习性能研究[j].中国图象图形学报,2016,21(09):1178-1190.
[2]刘梦雅,毛剑琳.一种改进池化模型对卷积神经网络性能影响的研究[j].电子测量技术,2019,42(05):34-38.
[3]siang thye hang,masakiaono. bi-linearly weighted fractional max pooling[j]. multimedia tools andapplications,2017,76(21):108-115.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。