论文部分内容阅读
随着信息技术的不断发展，社会现代化、智能化程度随之日益提高，图像识别技术作为一门新兴技术因此得到广泛应用，进而图像识别方法的研究也成为广大专家、学者们追逐的研究热点。另一方面，随着机器学习、人工智能的兴起，基于深度学习算法的图像识别技术在实际应用中也不乏一些突破性的进展。但对于在低分辨率、模糊图像的识别，常见的深度神经网络会发生训练退化的问题，识别精度难以提高。生成对抗网络(GAN)是一种生成方法，具有生成样本质量高、无需先验知识的特点，为解决此类问题提供了有效的方法。因此，研究基于深度学习的生成对抗网络图像识别方法具有十分重要的社会意义，也是本文研究工作的一大创新点。 本文基于课题研究背景及国内外图像识别技术研究动态的分析，剖析了传统图像识别方法，包括基于深度学习的图像识别方法和基于GAN的图像识别方法。然后，对低分辨率的模糊图像，通过常见深度神经网络AlexNet、VGG、GoogLeNet和ResNet分别进行识别实验，分析其图像识别精度及相应的训练退化问题。在此基础上，本文创新性地提出基于改进GAN的图像识别算法。其中，改进GAN采用子像素上采样层替代反卷积层，以提高图像的生成质量;构建具有残差网络的GAN，以确保其快速收敛。这样使得改进后的GAN中的生成模型获得修复不清晰图像的能力，再将GAN中生成模型与深度神经网络组合成新的网络，以提高不清晰图像的识别精度。实验结果显示:本文构建的方法比其它深度神经网络图像识别精度更高，方法有别于其它图像识别方法，具有一定的创新性。 本论文研究工作表明:基于深度学习的生成对抗网络图像识别方法对于问题图像如模糊、分辨率不高图像可有效提高图像识别精度，同时为进一步提高图像识别质量提供可行且有效的依据，具有很好的应用前景。