原创力文档- 1、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。。
- 2、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。
- 3、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)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、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。
- 6、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。
- 7、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
ResearchandExploration研究与探索·工艺与技术
基于深度学习卷积神经网络图像
识别技术的研究与应用
杨子贤
（，河南郑州450000）
摘要：深度学习目前在计算机视觉、语音识别等领域有着广泛的应用。基于深度学习算法的卷积神经网络（Convolutional
NeuralNetwork，以下简称CNN）以其独特的优势，目前已被应用于图像识别之中。本文主要介绍CNN的基本概念、结构以
及两种经典网络模型，同时通过实验探究CNN和一般的神经网络的区别及CNN的优势。
关键词：CNN；卷积层；深度学习；图像识别
中图分类号：TP391.41文献标识码：A文章编号：1671-0711（2018）12（上）-0146-04
图像识别技术属于计算机视觉领域，在人脸识
别、自动驾驶等方面已卓有成效，在医学、安防、
通讯等领域仍有巨大的发展空间。图像识别技术的
实现，简言之相当于寻找一个适当的函数，使得输图1
入的是被识别的图片或图片的一部分，而输出的是
我们需要的图片的语义概念。我们的目的是通过对
2 卷积神经网络的特征结构
模型的训练，找到这个合适的函数。在深度学习提
出之前，传统的机器学习方式，通常是用人类的经
卷积层。首先应了解什么是卷积操作，如图2，画
验知识，把原始数据预处理成各种特征，然后对特
面中间一个3×3大小的矩阵，将矩阵中的参数与对应
征进行分类。这些科学家们把大部分时间花在寻找
图像（画面左）位置像素所对应的参数分别相乘并相加，
合适的特征上，所以它也叫“特征工程”。然而特
此即为卷积操作。将所得数值作为一次卷积操作的输
征的繁多以及一些特征难以表示，都要求机器学习
出，之后选择将卷积核往某个方向平移一个单位长度，
方式的革新。直到Hinton等人提出深度学习，图像
再次进行卷积操作，直到得到新的一层，这一层同时也
识别技术才有了新的生机。深度学习即让机器自己
作为下一层的输入。这个含有一定大小的矩阵（这里是
进行特征学习，将原始数据作为输入，通过层层抽
3×3）叫做卷积核（滤波器），每次平移的距离（这里
象将原始数据抽象为自身任务所需的特征标识，以
是1）叫做步长。进行卷积操作的一层即是卷积层。
特征到目标的映射结束。从原始数据到最终任务目
标，中间没有人为操作（端到端的思想）。CNN作
为深度学习的一种代表算法，本论文将重点介绍。
1 卷积神经网络的基本结构
文档评论（0）