《基于基于VGG-16卷积神经网络的动物图像识别算法设计12000字（论文）》

[13]：（1）输入层：这一层是整个卷积神经网络最初和终极开始时期的输入组成部分，对于动物图像的识别，输入层本身就代表着一个等待训练或者是等待预测的图像矩阵。卷积神经网络的输入层的深度和大小主要是由待训练图像的深度和大小等因素来进行决定的，即为4.2节中所说的244×244，其中输出层的深度则被称为图像的颜色和通道，为三种颜色的通道RGB。（2）卷积层：通过卷积函数层对在一个输入层上所有输入的图像矩阵数据进行了卷积运算操作，提取出这些图像的特点，经过激活函数的相互作用后就可以得到我们自己想要的特征图。（3）池化层：使用一个池化层来进行减少维度操作，采用最大池化(maxpooling)的方式。经过一次卷积运算操作后所需要提取得到的是一个特征性的信息，其中在相邻区域中都会出现一个具有相似性和特征的信息，这样的数据如果完全保存下来就可能会造成数据信息冗余，增加图像特征提取时的计算的难度。通过池化层不断地缩短或者减小数据的空隙大小，参数的多少以及计算量就可能有着响应性的下降，这样的操作可以在一定程度上限制了经过拟合。（4）全连接层：池化层池化之后的数据，用Flatten拉开，让其变成一维向量来表示，从而方便输入到全连接网络。5.2卷积神经网络的训练5.2.1卷积神经网络的训练原理 我们进行卷积神经网络的训练，其目的在于让我们的卷积神经网络在以后输入大量的图像数据信息的时候，拥有对数据特征进行智能化提取的能力，减少人力的负担，使得经过大量数据的训练完得到的神经网络能够智能识别出我们所需要的信息。但是，我们所输入的图像数据并不只是线性的，对数据进行普通的线性组合训练达不到我们的智能化的目的，所以为了使得训练的神经网络更加的智能，在我们的训练过程中加入了激活函数、损失函数等理论知识。激活函数的存在，能够解决训练过程中，每个网络层的输出全都是线性输出的问题，其作用是将线性分布转化成非线性分布，因为在动物图像中更多的是非线性的分布，这样一来，就能够更加的接近真实的图像。而损失函数可以有助于优化卷积神经网络的参数，通过优化参数（权重），保证能够最大程度的减少神经网络的损失。5.2.2损失函数 由于我们所做的图像分类具有多种分类结果，所以选择了Softmax损失函数。Softmax函数是基于Logistic函数的在多分类问题上的改进。Softmax函数相比较于其他的损失函数，更加的适用于多分类问题中对每一个分类的类别的概率进行判断。一个N维的特征向量，通过Softmax函数进行压缩，得到一个满足我们所需要的条件的N维的实数向，通过压缩后，特征向量中每一个元素的大小都在0和1之间，并且这所有元素之和为1。 Softmax函数的公式如下：5.2.3激活函数 神经网络中，每一层的基本单位是神经元，而神经元则是一种线性结构。但是作为图像的训练，不可能用线性函数就能够模拟真实的神经网络，所以激活函数的出现就使得线性变成了非线性，更加的贴近真实。通过对比Sigmoid激活函数、Tanh激活函数以及ReLU激活函数，最终选择了ReLU激活函数。首先，ReLU函数相比较其他函数，十分的简单，它可以将低于一定阈值的信号丢掉，其次在图像识别问题上，这种简单的解决方式更加具有有效性和稳定性，它更有三个相比于传统的函数的优势：防止梯度弥散、稀疏激活性以及加快计算。 ReLU激活函数的定义：ReLU激活函数的图像：图5.1ReLU函数图像5.3程序设计的实现程序设计的实现按照以下四步进行：对收集到的原始图像数据进行预处理，剔除各种影响因素，在预处理干净图像数据之后，对其进行分割，将原始的图像数据合理的分割成用于神经网络训练的训练集以及测试集。使用Tensorflow工具，结合在第五章所提出的模型构建方法，采用所提出的合适的激活函数以及损失函数，保证所训练的模型的精准度，编写代码完成基于VGG-16模型的神经网络模型的构建。将预处理完成的动物图像数据集投入神经网络训练，观测模型训练中的参数的变化并记录，确保完成训练的网络模型对动物图像的分类的精准度符合预期。对训练完成的VGG-16卷积神经网络模型进行测试，记录每一次测试的结果和准确度，对结果进行分析和实现可视化，通过测试对模型的性能进行评估。5.4卷积神经网络模型程序设计流程图基于Python语言以及Tensorflow方法，对动物图像数据的预处理方法和卷积神经网络的图像特征提取和分类模型的训练进行了代码的编写，其设计过程如图5.2：图5.2程序设计流程

6.结论与进一步工作6.1结论与认识动物图像识别分类一直是图像识别领域一个十分重要的课题。通过对动物图像的特征提取识别与分类，对人类不断获取到的动物的图像数据进行分类研究，对于人类对自然界动物的研究节省了大量的人力和物力，根据这些动物图像的特征和规律，研究者们可以更好的更加精确的对得到的数据进行分析，也为未来的对未知新物种的研究和分类提供了乐论和技术的支持。动物图像特征的提取和分类对于深度学习领域的图像处理和分类识别有着十分重要的意义。本文结合动物图像特征的信息，研究了动物图像数据的特征提取方法及其特征数据的影响因素，对海量的动物图像数据进行了分析和研究，研究学习了卷积神经网络的理论知识之后，提出了基于VGG-16神经网络模型的动物图像特征提取的方法，并用Python语言进行了程序设计。6.2进一步工作到目前为止，已经利用卷积神经网络实现了动物图像特征的分类和模型的构建，对先提出的方法进行了程序代码的设计与编写，但是因为现有硬件设备和自身能力以及时间方面的约束，模型实现的分类数还有待提高，识别的范围还有待拓宽，因此，还可以做进一步的研究：加强对动物图像识别理论和方法的学习和研究；更加进一步分析更多种类动物图像的数据信息，实现多种类动物图像的分类和识别；继续进行程序设计和模型训练，使得模型的准确率更高，使图像的分类操作更加的便捷。参考文献FukushimaK.Neocognitron:Aself-organizingneuralnetworkmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics，1980，36(4):193-202.LecunY，BottouL.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86(11):2278-2324.TechnicolorT，RelatedS，TechnicolorT，etal.ImageNetClassificationwithDeepConvolutionalNeuralNetworks[50].LinM，ChenQ，YanS.NetworkInNetwork[J].ComputerScience，2013.邹晶.基于深度学习的实体与关系联合提取方法研究[D].成都：电子科技大学，2019.李元，冯成成.基于一维卷积神经网络深度学习的工业过程故障检测[J].测控技术，2019，38(9)：36-40.doi:10．19708/j．ckjs．2019．09．007林锦发，程良伦，应稼田.基于一维卷积神经网络的多特征社交网络流行度预测研究[J].现代计算机，2019，(7):3-9+15.doi：10.3969/j.issn.1007-1423.2019.07.001李大中，颖宇，王超.基于卷积循环神经网络深度学习的短期风速预测[J].电力科学与工程，2019，35(8)：1-6.doi:10.3969/j.ISSN.1672－0792.2019.08.001.SimonyanK，ZissermanA.VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition[J].ComputerScience，2014.翟俊海，赵文秀，王熙照.图像特征提取研究[J].河北大学学报(自然科学版)，2009，29(001):106-112.李理，应三丛.基于FPGA的卷积神经网络Softmax层实现[J].现代计算机，2017(26):21-24.KrizhevskyA.ConvolutionalDeepBeliefNetworksonCIFAR-10.2012.SimonyanK，ZissermanA.VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition[J].ComputerScience，2014.邹旭，唐杰.疑问带你了解卷积神经网络CNN的发展史[DB/OL]./i6694602223382430215，2019-5-27/2021-4-21.HubelDH，WieselTN.Receptivefields，binocularinteractionandfunctionalarchitectureinthecat’svisualcortex[J].TheJournalof