原创力文档- 1、本文档共3页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
软件开发
基于孪生卷积神经网络与三元组损失函数的图像
识别模型
张安琪
（北京师范大学第二附属中学，北京，100088）
摘要：深度学习作为近年来迅速发展的全新领域，在科学研究与工业生产等方面受到了广泛的关注。其中，卷积神经网络(Convolutional
neutralnetworks,CNN)作为深度学习中一种经典的神经网络架构，已在图像分类、人脸识别以及信号处理等领域得到了广泛的应用。
在此基础上，本文对传统CNN结构进行改进，取消了CNN输出层用于普通分类的Softmax函数，采用基于孪生神经网络(Siameseneutral
networks)的CNN架构，并使用三元组损失(TripletLoss)作为图像分类的目标损失函数。为检验模型效果，我们在国际数据建模和数据分析
竞赛平台Kaggle的座头鲸图像识别挑战赛上运用该模型。
关键词：图像识别；卷积神经网络；孪生神经网络；三元组损失；Kaggle
机器学习作为人工智能的重要领域，近年来在理论、算样本在特征空间上的距离。若用d表示两个样本之间的距
法和应用等方面都获得飞速的发展与巨大的成功[1]。其中，离函数，则三元组损失原理可表示为:
相较于浅层的机器学习模型，深度学习善于从原始输入数据d(A,P)+α≤d(A,N)(1)
中挖掘出较为抽象的特征，从而在数据建模与特征提取上表其中A,P,N分别表示锚样本，正样本与负样本，a为
现出显著的优势[2]。随着数据量的爆炸式增长和运算能力的设定的同类样本与异类样本的距离间隔。根据公式(1)，三
大幅度提升，深度学习已经在在语音识别、图像分类、自然元组损失的目标函数定义为：
语言处理与在线广告精准投放等领域取得显著的进展[2]。卷TripletLoss=1Nmax{d(A,P)−d(A,N)+α,0}(2)
N∑iiii
积神经网络(Convolutionalneutralnetworks,CNN)作为i=1
其中N为样本三元组总数。
深度学习中一种经典网络架构，其局部连接及池化操作等特
性，有效降低了网络模型的复杂度并减少了权值的数量，具
有较强鲁棒性和容错能力，且易于训练和优化[3]。近年来，
卷积神经网络在图像分类、目标检测与人脸识别等多个计算
机视觉任务中都取得了突破性的成果。然而，运用传统卷积图1三元组损失(TripletLoss)原理图[5]
神经网络进行多任务分类时，往往采用Softmax激活函数，
使得在分类类别增加时需要对神经网络进行再训练，从而大2孪生卷积神经网络结构
大增加了计算负荷。另一方面，传统卷积神经网络的训练
依赖于大量的训练样本，从而在执行单样本学习(One-shot
learning)时效果不佳。为解决上述问题，Bromley等人提
[4]
出了孪生神经网络(Siameseneutralnetworks)结构。
该网络有两个相同的子网络，且共享参数和权重，通过计算
两个子网络输出向量的距离来确定两个可比较对象的相似
程度。本文在孪生神经网络结构基础上，使用三元组损失
(Tr
文档评论（0）