论文部分内容阅读
随着科技的进步和人类的发展,计算机视觉已经成为人工智能领域中备受关注的研究领域。物体识别作为计算机视觉中的一个相当重要的研究方向在医学、现代工业、智能交通以及即将到来的无人驾驶中都有着十分广泛的应用。所以物体识别的研究对社会的发展和人类的进步都有着重大的研究意义。深度学习是机器学习的一个重要分支,目前已成为机器学习领域的研究热点。卷积神经网络是深度学习中一个重要的方法,已经在图像识别、自然语言处理和语音识别等领域取得了巨大的成功。因此,本文通过深入的研究和分析,提出了基于卷积神经网络的一般物体识别研究,本文的主要研究工作如下:1)在对现有的卷积神经网络的结构分析和研究的基础上,对目前卷积神经网络中常用的激活函数Relu函数的优缺点进行分析,针对Relu激活函数中的阈值为负的神经元被完全抑制的问题,设计了使用Leaky Relu作为激活函数的卷积神经网络,实验结果表明使用该激活函数可以有效地提高网络的识别性能。2)在分析卷积神经网络中常用的优化算法--随机梯度下降算法的优缺点的基础上,为了解决随机梯度下降算法中学习率设置的难题,提出了一种基于随机梯度下降算法的学习率自适应更新算法,详细地描述了该算法的执行过程。并实现了使用该算法的SGD--MSGD算法。通过与其它算法进行对比证明了MSGD算法不仅可以使网络快速收敛,而且还提高了网络学习的正确率,使网络具有更好的收敛性。3)在分析如何有效地运用卷积神经网络来对物体进行识别的研究下,设计并实现了用于物体识别的卷积神经网络模型,并选择MSGD算法作为优化算法。最后通过实验详细的记录了具体的物体识别正确率,通过与其它模型实验结果对比表明,本文所设计的模型在识别正确率和收敛性均优于其它模型。4)最后,将本文研究的内容应用到微信上,设计并实现了基于微信的物体识别器和数字印刷体识别器,该识别器主要包括了数据预处理模块、神经网络模型训练模块以及服务端流程设计模块。最后通过实验验证了该识别器能满足实际需求,同时也说明了本文所提算法的实用性。