基于深度学习卷积神经网络图像识别技术的研究分析探讨.pdfVIP

2019年第7期信息通信2019

(总第199期)INFORMATIONCOMMUNICATIONS(Sum.No199)

基于深度学习卷积神经网络图像识别技术的研究分析探讨

苏越

(广州华立科技职业学院，广东广州511325)

摘要:随着我国移动互联网技术的快速发展，微信,QQ,微博，手机应用等手机媒体的新起，以及智能手机,平板电脑和数

码相机等移动设备的大量使用，与3G,4G,wifi等高速无线网络的不断普及，让更多的用户能够更快更方便的上传和浏

览各种图像。但是，生活中还是有很多没有标记的图像,这些没有标记的图像很难进行搜索和处理，用户不能够更快的

找到自己想要的图像，所以传统的图像分类识别方法并不能够满足现在的用户，还会给现在的用户在进行图像分类识别

的时候造成一定的不便,浪费不必要的时间，尤其是在复杂环境下对自然图像的分类与识别。

关键词:卷积神经网络；图像识别技术;深度学习；分析探讨

中图分类号:TP183文献标识码:A文章编号：1673-1131(2019)07-0007-02

0引言元素，也可以是从负无穷大到正无穷大的实数，越大代表属于

对应类别的可能性越大。在卷积神经网络的内部，是由很多

人们迫切希望有一种更好更便捷的图像分类识别方法的

的层构成的。每一个层可以认为是一个函数，输入信号为x,

出现,卷积神经网络图像识别技术就是在这种条件下出现的。

输出信号为y。输出的y又可以作为其他层的输入。以下从

并且能够很好的运用到人们的生活中,使人们的生活更便捷,

网络的前端，中端，末端的角度调研常用层的定义。前端主要

减少不必要的麻烦。

考虑对于图像的处理过程，中端是各种神经元，末端主要考虑

1引入卷积神经网络图像识别技术与训练网络有关的损失函数。整体考虑到一起就是一个完整

人的大脑每时每刻都在接收各种各样的信息，并对这些的卷积神经网络图像识别的技术。

信息进行处理和储存，当再一次使用时，大脑能够更快更准

3深入剖析技术基本组成

的提取出存储的信息并且能够最大化的使用他们。人工神

(1)输入层:卷积神经网络图像识别技术的输入层可以处

经网络技术就是模仿大脑的神经网络结构，并且通过大脑的

理多维数据,常见地，一维卷积神经网络图像识别技术的输入

神经网络结构归纳出的一种人工智能处理图像的方法。但

层接收一维或二维数组，其中一维数组通常为时间或频谱采

是这种图像处理方法仍然有一定的缺陷，并不能解决人们的

样;二维数组可能包含多个通道;二维卷积神经网络的输入层

需求。在使用人工神经网络技术时，处理图像时还需要处理

接收二维或三维数组；三维卷积神经网络的输入层接收四维

影响图像效果的噪音因素。而卷积神经网络图像识别技术

数组。由于卷积神经