基于深度学习的图像识别鲁棒性研究

发布时间：2022-12-05 20:36

　　近年来,由于深度学习在图像识别中的优异表现,它获得了广泛的研究和应用。相对于浅层学习来说,深度学习对低层次特征逐层变化,提取出高层次特征,这使得深度学习拥有更强的分类能力。在已有研究中,研究者们更加关注的是如何提高算法的识别能力,关于算法鲁棒性的研究却较少。然而,在实际应用中,算法的鲁棒性是衡量一个算法好坏的重要标准之一。为增强深度学习算法的鲁棒性,提高深度学习算法在现实生活中的应用范围,本文主要做了以下几方面的工作:（1）为了降低当样本标签标注错误对神经网络的训练带来的负面影响,本文提出了一种训练前标签预判断算法。在实际应用中,深度学习的数据样本标签由人工标注,但标签有可能被标注错误。本文提出的训练前标签预判断算法在训练前判断是否要将样本标签进行修改后再训练网络以减少标签标注错误的样本。实验表明,该算法能有效降低错误标签对神经网络的危害,提高深度学习图片识别的鲁棒性。（2）提出了一种样本分类训练方法,不同于Minibatch随机梯度下降法,本方法在神经网络经过一定的训练,具有对图像的初步分类能力后,利用神经网络现有的分类能力,结合信息熵,将图像分为简单样本和迷惑样本,并将其分别放入简... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与研究意义
    1.2 研究现状
        1.2.1 图像识别研究现状
        1.2.2 深度学习研究现状
    1.3 论文研究内容与结构
第二章 深度学习相关技术
    2.1 图像识别
        2.1.1 图像识别的流程
        2.1.2 特征提取
    2.2 人工神经网络
        2.2.1 神经元
        2.2.2 人工神经网络
    2.3 深度学习
        2.3.1 深度网络的分类
        2.3.2 卷积神经网络
    2.4 本章小结
第三章 训练前标签预判断算法
    3.1 引言
    3.2 相关技术
        3.2.1 前向传播
        3.2.2 Softmax归一化函数
    3.3 训练前标签预判断算法
        3.3.1 算法流程
        3.3.2 数学证明
    3.4 实验结果
    3.5 本章小结
第四章 样本分类训练算法
    4.1 引言
    4.2 相关技术
        4.2.1 Minibatch随机梯度下降法
        4.2.2 信息熵
    4.3 样本分类训练方法
        4.3.1 样本分类
        4.3.2 算法流程
    4.4 实验结果
    4.5 本章小结
第五章 系统设计与实现
    5.1 系统结构
        5.1.1 模块功能
        5.1.2 工作流程
    5.2 系统实现
        5.2.1 硬件环境
        5.2.2 软件环境
        5.2.3 系统界面
    5.3 系统运行效果
    5.4 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 研究展望
参考文献
附录1 攻读硕士学位期间申请的专利
附录2 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]深度强化学习综述:兼论计算机围棋的发展[J]. 赵冬斌,邵坤,朱圆恒,李栋,陈亚冉,王海涛,刘德荣,周彤,王成红.  控制理论与应用. 2016(06)
[2]基于deep learning的语音识别[J]. 张炯,陶智勇.  电子设计工程. 2015(18)
[3]连续属性完全贝叶斯分类器的学习与优化[J]. 王双成,杜瑞杰,刘颖.  计算机学报. 2012(10)
[4]基于改进颜色直方图映射的目标跟踪算法[J]. 史东承,朱龙,王楠,邢亚书.  计算机仿真. 2010(11)
[5]基于C4.5决策树的流量分类方法[J]. 徐鹏,林森.  软件学报. 2009(10)
[6]图像纹理特征提取方法综述[J]. 刘丽,匡纲要.  中国图象图形学报. 2009(04)
[7]基于颜色量化与聚类的图像检索算法[J]. 杨晓强.  微计算机信息. 2008(12)
[8]基于车牌颜色变化剧烈特征的彩色车牌定位新方法[J]. 赵海燕,裴志利,黄静,康曙光,刘宪德.  内蒙古民族大学学报(自然科学版). 2002(06)



本文编号：3710310