论文部分内容阅读
图像是人类认识世界的基本工具之一,它具有比文字更简单直接的信息传递特征。图像分类识别是计算机视觉的一个应用,也是当前人工智能领域里面重要的研究内容。图像分类识别的研究是打开视觉应用大门的必经之路。在学术界,运用深度学习的图像分类识别已达到近似人眼的精度,应用了深度学习和迁移学习的艺术画作的风格迁移是图像研究领域的重要课题。在工业领域中,银行票据的修复,刷脸取款,指纹识别,机器人AlphaGo比赛等等无一不体现图像分类识别的应用。本文基于构建的类卷积神经网络VGG模型,在Food-101中的10类图片和17 Category Flower Datase上分别作了实证分析。具体的做的工作是简要整理总结了国内外神经网络的发展和实例应用后对深度卷积神经网络进行了简单的描述,尤其对VGG16卷积神经网络进行了结构阐述。接着本文章在有13层卷积的神经网络模型VGG16和迁移学习的背景下构造了一个分类小规模图片的卷积神经网络模型,另外也构建了适合小样本数据的四层卷积的VGG模型VGG6。样本数据Food-101分布较不均匀,选用其10000个数据进行实验,经过分析对比微调后的VGG6具有更高的分类精度。17 Category Flower Datase中数据分布均匀,通过对其1360张图片进行实验后对比,得出基于迁移学习的VGG16具有更高的精度。本文所用计算机环境为仅一个CPU内存为8G的Windows7,程序语言环境是深度学习框架Tensorflow和Keras,文章的研究课题在小样本数据集和小设备背景下具有一定的实用价值。