卷积神经网络在图像识别中的应用

1、卷积神经网络在图像识别中的应用卷积神经网络的发展及其特点卷积神经网络模型卷积神经网络的训练 卷积神经网络应用于人脸识别卷积神经网络的发展Hubei和Wiesel在研究猫脑皮层中用于局部敏感方向选择的神 经元时，发现其独特的网络结构可以有效降低反馈神经网络 的复杂性。Fukushima提出了第一个基于神经元之间的局部连接型和层次 结构组织的用于转化图像的网络Neocogn i t i on根据Fukushima的观点，LeCun提出了以LeNet为代表的卷积神 经网络。卷积神经网络的特点1. 卷积神经网络是一类特别设计用来处理二维数据的多层神经 网络。2. 卷积神经网络被认为是第一个真正成功的采

2、用多层层次结构网络的具有鲁棒性的深度学习方法。3. 用卷积神经网络做图像处理时，原始图像不需要太多的预处理就可以较好地学习到图像的不变性特征。4.权值共享、局部感受野和子采样是卷积神经网络不同于其它神经网络的三个主要特征。A卷积和下采样（降采样）过程SS O & &S*+i991.卷枳过程：川个町训练的滤波曙I卷枳输入图像或特征I和 然后 加上个備置&，得到卷枳也;2下采样过程：颂域儿个像索通过池化变为个像素,然鞋通过加权, 加偏置,再通过个Sigmoid函数，产'上特征映肘图5丫+；9卷积过程 4536A池化过程：取某个特定区域的最大值或平均值A卷积神经网络的

3、训练过程第一阶段：前向传播过程1. 从样本集中取一个样本输入到网络中；2 计算相应的实际输出；在这个阶段，输入的信息经过逐层变换,传输到输岀层。主要是前向的 特征提取。第二阶段：反向传播过程1计算实际输出与期望输出的差；2. 按极小化误差的方法反向传播，调整权值矩阵；反向传播就是误差的反向反馈和权值的更新。9网络训练流程图图像输入参数初始化卷积和采样过程误差反馈 权值更新前向反馈全连接层反向传播变换.计算输出层增强、逻辑回归1是输出结果> 01 i vett i Faces人脸数据集介绍h 二 Olivetti Faces是纽约大学的一个比较小的人脸库包含40个人的人脸图片，每个人10张

4、人脸样本，共400份样本A程序所参考的卷积神经网络结构：LeNet-5两个“卷积+子米样层"LeNetConvPoolLayer全连接层相当于MLP （多层感知机）中的隐含层HiddenLayer输出层采用逻辑回归LogisticRegression程序模块介绍1. 加载图像数据函数：load_data(dataset_patli)2. 卷积+米样层：class LeNetConvPoolLayer(object)3. 全连接层(隐藏层):class HiddenLayer(object)4. 分类器，即CNN最后一层：class LogisticRegression(object)保存训练参数函数： save_params(paraml,param2,param3,param4)A程序中可设置的参数leaming_rate = 0.05batcli_size = 40n_epoclis = 100nkerns = 20, 50poolsize = (2, 2)/学习速