摘 要

现代社会科技飞速发展，互联网已经联系到人们生活的方方面面，人们每天产生和使用大量的新数据，而图像作为广为人用的一种数据存储方式，在杂乱无章的图片信息中，如何高效准确地找到自己想要的信息就是一个亟待解决的问题。近年来深度学习快速崛起，卷积神经网络在图像分类方面有了越来越出色的表现，通过为图像标注标签信息，据此来快速检索图像，为解决上述问题提供了有效解决方法。本论文的主要研究内容就是研究卷积神经网络在图像分类方面的应用和实现。

本文主要工作：

1）研究深度学习和图像分类的发展历程，理解它们从兴起发展至今经历了哪些技术变革以及当下的发展状况，并详细研究卷积神经网络的架构和工作原理，学习卷积层、池化层、全连接层等神经网络层次的主要构造和工作原理，了解它们在卷积神经网络中的位置和结构安排，研究相关的激活函数、优化算法等，了解卷积神经网络在图像分类领域取得的成果.

2）研究几种典型的卷积神经网络模型的架构和各自的创新之处，选择并下载kaggle猫狗数据集，花分类数据集，使用这两个数据集对AlexNet和GoogLeNet模型进行不同次数的训练，并分析实验数据进行相应的调整以提高分类准确率，最后对比两种模型的训练结果。

关键词：图像分类；卷积神经网络；kaggle猫狗大战数据集；花分类数据集

Abstract

The Internet is connected to all aspects of our lives and a lot of new data is generated and used every day with the rapid development of science and technology in the modern social. Pictures as a widely used data storage method, how to efficiently and accurately find the information that we want in the disorderly mass pictures is a critical issue. The deep learning has also risen rapidly in the recent years,, and CNN have worked more and more excellent in image classification. CNN provides an efficient solution to the above problem by labeling images to quickly retrieve images. And the main research content of this paper is the application and realization of CNN in image classification.

The main work of this thesis:

1)Study the development process of deep learning and image classification, and understand what technological changes they have experienced since their rise and the current situation. Study the architecture and working principle of CNN in details, learn about the main content of convolutional layers, pooling layers, fully connected layers and other neural network levels as well as their position in convolutional neural networks, study related activation functions and optimization algorithms, etc. understand the achievements of CNN in the field of image classification.

2)Study the architecture of several typical CNN model and learn about their respective innovations. Select and download the cat_vs_dog data sets of Kaggle and the flowers classification data set, train the two data sets base on the AlexNet model and GoogLeNet model, analyze the experimental data to adjust accordingly to improve the classification accuracy, finally compare the training results of the two models.

Keywords: image classification; convolutional neural network; Kaggle cat_vs_dog data set; flower classification data set

目录

摘要 I

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外发展历史与现状 2

1.2.1 图像分类研究历史与现状 2

1.2.2 卷积神经网络研究历史与现状 3

1.3 论文主要研究内容及研究工作 3

1.4 论文的组织结构 4

第2章 卷积神经网络理论及图像分类模型研究 6

2.1 卷积神经网络研究 6

2.1.1 卷积神经网络的结构概述 6

2.1.2 卷积神经网络的训练过程 7

2.1.3 卷积神经网络激活函数和参数优化方法 8

2.2 图像分类模型介绍 12

2.2.1 LeNet模型简介 12

2.2.2 AlexNet模型简介 12

2.2.3 VGG-16和VGG-19模型简介 13

2.2.4 GoogLeNet模型简介 13

2.2.5 ResNet模型简介 14

2.3 本章小结 15

第3章 基于自选数据集的图像分类模型训练 16

3.1 数据集介绍 16

3.1.1 kaggle猫狗数据集 16

3.1.2 花分类数据集 17

3.2 AlexNet模型训练 19

3.2.1 AlexNet模型结构 19

3.2.2 使用猫狗数据集训练AlexNet模型 20

3.2.3 使用花分类数据集训练AlexNet模型 21

3.3 GoogLeNet模型训练 22

3.3.1 GoogLeNet模型结构 22

3.3.2 使用猫狗数据集训练GoogLeNet模型 23

3.3.3 使用花分类数据集训练GoogLeNet模型 25

3.4 分类模型训练结果对比分析 25

3.5 本章小结 26

第4章 总结与展望 27

4.1 总结 27

4.2 展望 27

参考文献 28

致谢 29

第1章 绪论

1.1 研究背景及意义

深度学习是机器学习与神经网络、人工智能、图形化建模、优化、模式识别和信号处理等技术融合后产生的一个领域。^[1]深度学习模仿生物的神经系统对视觉信息进行分级处理的原理，通过非线性模型把原始数据转换为语义概念的抽象表达。深度学习通过组合各级特征的方式，找出数据的分布特征，以此实现数据信息的识别。目前，常用深度学习方法包括：自动编码器（AE）^[2]、受限玻尔兹曼机（RBM）^[3]、深度信任网络（DBN）^[4]、卷积神经网络（CNN）等等。^[5]卷积神经网络属于脑类计算领域一个较为重要的研究，在各个领域都有广泛的应用，例如早期发展阶段主要应用于自然语言处理领域，随着数据量的增加和技术的成熟，逐渐扩展到信息搜索、声音识别等较先进的领域，近些年来开始在计算机视觉及语义理解等^[6]方面有了突破性发展。卷积神经网络在各个研究领域取得了突出的研究成果并被广泛的运用，是深度学习的重要模型之一。

现代社会，随着大数据和云时代的到来及快速的发展，人们开始广泛关注大数据处理。如何对海量的数据资源进行处理并加以运用成为了现代企业和社会关注的重要内容。而图片作为数据信息存储的主要方式，其反应方式直观，展示的内容丰富，已经成为人们获取信息的重要手段和途径。但随着图片数据急速增加，面对杂乱无章图像信息，其无序化问题越来越成为一个急需解决的问题，这就需要对海量的图像进行识别和分类处理。