摘 要

图像的分类处理属于计算机信息处理技术领域的一个基本问题,是目前在计算机视觉、机器人深度学习与模式识别等信息技术领域非常活跃的一个研究领域和方向,并且其具有多种实际的应用。因此,研究一种具有较强的鲁棒性和较高图像精确度的新型图像分类处理算法有着重要的理论意义和其实际意义。通过深度卷积的卷积神经网络可能会随着网络层数的增加而出现整个网络模型难以进行正常的训练和网络性能退化等图像处理问题。而通过深度卷积的残差网络可以很好地利用其内部残差块以及快捷连接来缓解这些图像处理问题，并且具有容易进行优化的特点。

本文通过对深度残差网络进行深入研究，依托于Anaconda平台，使用Python语言编写神经网络以及其相关结构，设计基于深度残差网络的对图像进行分类处理的方法。文章介绍了关于深度残差网络的相关知识和构造方法，提出了卷积层，池化层，全连接层等相关网络结构的图像分类算法，通过仿真进行图像分类操作。通过本文的研究，可以清楚地认识深度残差网络，并且在对图像的分类中获得更高的效率和精确度。

关键词：深度残差网络；残差块；图像分类；快捷连接

Abstract

Image classification is a basic problem in the field of information technology. It is a very active research direction in the field of computer vision, deep learning and pattern recognition, and it has many practical applications. Therefore, it is of great significance to study a new image classification algorithm . With the increase of network layers, the convolution neural network with deep convolution may be difficult to train the whole network model and degrade the network performance. The residual network of deep convolution can make good use of its internal residual block and fast connection to alleviate these image processing problems, and it is easy to optimize.

Based on Anaconda platform and python language, this paper studies the deep residual network, and designs the image classification method based on the deep residual network. This paper introduces the knowledge and construction method of depth residual network, and puts forward the algorithm of convolution layer, pooling layer, full connection layer and other related structures, and carries out image classification through simulation. Through the research of this paper, we can clearly understand the depth residual network, and get higher accuracy in image classification.

Key Words: Deep residual network;Residual blocks ; Image classification;Shortcut

目录

第1章 绪论 1

1.1 研究背景以及意义 1

1.2 国内外研究现状 1

1.3 本文的研究内容及章节安排 2

第2章 深度残差网络相关知识 3

2.1 输入层 3

2.2卷积层 3

2.3激活层 5

2.4池化层 6

2.5全连接层 7

2.6反向传播 7

2.7批量标椎化 8

2.8深度残差网络 10

2.8.1残差学习 10

2.8.2基于快捷连接的恒等映射 11

2.8.3网络构造 12

2.9本章小结 15

第3章 基于深度残差网络的图像分类算法 16

3.1卷积层相关算法设计 16

3.2批量标准化层相关算法设计 18

3.3池化层相关算法设计 19

3.4全连接层相关算法设计 21

3.5深度残差网络设计 22

3.6训练与结果 23

3.7本章小结 23

第4章 总结与展望 24

参考文献 25

致谢 27

第1章 绪论

1.1 研究背景以及意义

图像分类，是计算机将图片中的特征信息提取，然后对这些信息进行分析，最后再把这些输入的图像信息划分成为一些图像类别信息中的某一对象和种类，以这些信息代替人对这些图像的图像视觉和判读。

深度学习是一种复杂的算法，它在图像分类方面取得显著成效。主要涉及三种方法：卷积神经网络，自编码神经网络和深度置信网络^[1].。