卷积神经网络的应用与发展 (1).docxVIP

卷积神经网络的应用与发展 摘要 近年来，卷积神经网络在图像分类、目标检测、图像语义分割等领域取得一系列突破的研究成果，广泛关注其特征的学习和分类能力，具有重要的分析和研究价值。首先，回顾了注积神经网络的发展历史。我介绍了我们在这个问题上最基本的技术和运行原理。关于网络结构、网络结构、转移学习、原理分析的四个方面，最近对研究进行了汇总分析，并根据统计资料进行了研究。在网络相关的应用领域取得的最新的研究成果，最后指出的是存积神经网络存在的不足和未来的发展方向。 关键词：卷积神经网络；深度学习；特征表达；神经网络；迁移学习 绪论 图像的特征提取和分类一直是作为计算机视觉领域的一个基础的重要研究方向。卷积神经网络是一种提供端到的学习模式,模型中的参数是通过传统的台度下降的方法进行训练,经过训练的神经网络贸然在图像特征的学习,可以完成对图像的特征提取和分类。作为神经网络领域的重要研究分支，这个卷积神经网络的特征是由每个特征通过上面的部分共同分享共享权利的卷积核被鼓励。该特征与其它神经网络的方法相比，适合于学习图像的特征的学习和表现。最初的卷积神经网络结构比较简单，古典的lecet5模型[1]适用于手写的文字识别、图像分类等相对单一的计算机视觉应用领域。随着研究的深入，注积神经网络的结构不断优化，其应用领域也在逐渐增加。例如,神经网络卷积和信赖度网络的结合而生成的贸然深圳信度网络[3]非作为主教练的生成模式,从人的脸部特征提取的成功[4]。从突破性能和地区特点提取的神经网络。成功在目标测量领域取得了成功。全卷存储网络[7]实现了从边缘到边缘的图像的语义分割，其正确地超过了传统的语义分割算法。近年来，资产神经网络的结构研究依然有很高的热，具有一些优越性能的网络结构提出了“8 - 10”。另外，迁移学习理论，随着注积神经网络上的成功应用，注积神经网络的应用领域进一步扩展。卷心性神经网络在各领域取得了许多研究成果，成为目前最受关注的研究热点之一。 1卷神经网络 1.1卷装载神经网络的起源和发展招募神经网络是人工智能的神经网络的一种,费马在1980年第一次的感觉,感受野,基于理论模型有组织的多层神经网络模型。导电教练对神经网络算法,网络的训练,并经过训练的网络交互连接被积混合型光盘和下取样层通过一系列原创图像变换的特征向量,最后完全被连接的神经网络通过图像的分类特征进行分类。另外,2012年,索菲特等被提议大型图像数据库神经网络的图像分类竞争中第二位,超过11%的巨大优势夺得了冠军,卷积神经网络学术界的焦点,迄今为止,语音分析和图像识别领域广泛使用。 1.2卷神经网络的结构缠绕神经网络是一个多层的神经网络，从许多独立神经元相互连接并构成平面，并且从多个二维平面构成完整的网络。卷积神经网络一般都含有卷积层和具有特质的映射层，其中则是卷层神经网络的基本结构。一般地，一般的卷入层由数据输入、采积计算、活跃化、池化等构成。其中,数据输入层,选择可能的原始数据的处理,主要是图像的归一化等白化处理,也包括这些计算的目的是,招聘积核和输入数据,根据图像的特征提取,得到了复数特征的映射,直线型的激活函数处理活性化,提高网络。的表现能力、池化层通过最大的池化和平均游泳池等来减小参数的规模，使网络的复杂性下降。特征的放映层的所有神经元的分量是相同的，根据公开曲目的回归，使放映图像的特征被活性化，最后的特征的映照层在schtmax输出。本研究以本研究为例，本稿所涉及的层采用18种的采积核，防止通过最大的池化来提取图像有效的特征，从而提高模型的通用能力。具有特征的映射层通过函数限制其返回的负值，并将分类结果输出到最后层。 1.3卷神经网络的特点和优势贸然的神经网络模型,其权威的共享生物神经网络的结构相似,所以网络模型的复杂程度大幅下降,图像和语音的识别被使用,得到了出色的效果。另外,gpu的引入,使得现有的复杂的模式是通过目前的并行计算,容易训练,训练可以调整参数的周期大幅缩短,贸然神经网络的实用性大大加强。 1.4 一般神经网络的发展,作为主教练的预习的过程,没有教练的深度网络被认为很难,一个例外是,卷积神经网络。这个卷积神经网络是视觉系统的结构被暗示,特别是hbel weel提议的是,猫的视觉基于皮层结构模型[23)。第一个神经前之间的局部连接型和阶层结构组织的影像化的使用网络,费于册(26岁)开始的新焦炭。前一组参数相同的神经前序层的不同位置的小块区域被作用的时候,数据稳定,能保持稳定的特性和想法。由此,是基于误差段度的算法采用了卷。积神经网络,几个模式识别任务中,当时的其他方法对领先性能。现代的生理学是视觉系统的理解,也卷积神经网络的图像处理过程一致。迄今为止,装载基于神经网络的模式识别系统,是目前性能最好的系统之一,特别是,手写文字识别领域中,- -直机械作为