【《动物图像特征分析及CNN神经网络分析案例》2100字】

1-动物图像特征分析及CNN神经网络分析案例目录TOC\o"1-3"\h\u6234动物图像特征分析及CNN神经网络分析案例 1257801.1动物图像特征和知识分析 197641.2卷积神经网络理论 2119471.3卷积神经网络在动物图像特征提取中的可行性研究 31.1动物图像特征和知识分析不同的动物之间，其形态特征会有很明显的区别特征，在相同类别的动物之间，其形态特征也会有一些区别，这是我们进行图像特征提取时需要考虑的问题。同一种动物，它的图像中的行为不会是一模一样的，并且受光线、物体等外界因素的影响，从图像中提取出来的特征数据也是会有区别的。比如说，一只猫的图像，给我们呈现出来的可能是趴、躺、站、跑、被物体遮住、光线亮、光线暗等各种不同的样子，我们需要从这么多不同环境影响的图像中提取出他们所共有的特征。观察它们的相同的部分，去除图像中无用的额外的影响因素，确保我们对动物不同类别特征提取的准确性。如下图1.1、1.2：图1.1猫的形态图1.2狗的形态1.2卷积神经网络理论1.1.1一维卷积神经网络的基本结构人工智能是现在计算机研究领域的一个很热门的部分，在这其中，神经网络（NeualNetworks）是也是这个领域中的一个让人十分重视的一部分，深度卷积神经网络（DeepConvolutionalNeuralNetworks，CNNs）则是目前的神经网络结构中最热门的一个。卷积神经网络的来历是收到了人类视觉结构的启发，卷积神经网络是一个深度结构，它对于训练的数据具有很强的区分性。卷积神经网络是在基于最小化预处理数据的要求，在人们的研究下产生的。卷积神经网络是一种具有多层监督的监督学习神经网络，在卷积神经网络的多层特征提取层中，作为其核心模块，隐含层里的卷积层和池化层发挥着十分重要的作用，最基础的CNN结构包含了卷积（Convolution）、激活（Activation）、池化（Pooling）三种结构。卷积神经网络模型通过采用梯度下降的方法和最小化损失函数对输入网络的图像数据的权重参数，一层一层的进行反向调节，并且在不断的迭代训练中，逐步提高模型的训练精度，即后向传播算法。卷积神经网络中，卷积层和最大池采样层进行交替放置，共同构成了其低隐层，高层的结构则是由于全连接层对应的传统多层感知器的隐含层以及逻辑回归分类器组成。我们在进行处理图像分类的任务的时候，全连接层的输入的信息是CNN所输出的特征空间，我们在全连接层这个地方完成了从输入的图像到标签集的映射，这个过程就被我们称之为分类。卷积神经网络的结构如下图1.3：图1.3CNN结构图 如图1.3所示，CNN包含了两层卷积层、两层池化层、输入层以及全连接层。 卷积层，卷积的目的为了从我们输入的动物图像中提取出所需要的特征。因为普通的神经网络，在对图片进行特征提取的时候，对输入和隐层采用的是全连接的方式，正因为这样，会对计算机的计算造成巨大的负荷，让我们的训练变得十分的艰难。通过卷积运算，我们能够从图像中的一块数据中学习到特征，同时还可以保留其空间关系。卷积运算公式如下： 在上面的公式中，B所代表的就是卷积后的结果，K代表着卷积核，A则是图像的输入矩阵。在每一次的卷积操作之后，引入ReLU激活函数，将线性数据修正成非线性的。 池化层，通过最大池化函数，降低空间尺度，减少了像素信息，只保留对模型训练有用的重要的信息，降低了计算机的负载量。池化使得卷积后的特征维度更小，并且使得神经网络中的参数以及需要我们进行计算的数量减小，通过以上方法，有效的控制了过拟合的问题。卷积后，池化后尺寸的计算公式为：（图像尺寸-卷积核尺寸+2*填充值）/步长+1（图像尺寸-池化窗尺寸+2*填充值）/步长+1 全连接层，这一层在卷积神经网络中起到的是“分类器”的作用。在输出层使用Softmax激活函数，将从前面卷积层和池化层所学习到的特征，通过映射，传向样本标记空间，即动物图像分类的最终位置，通过这一方法，对输入的图像基于大量的训练数据集进行特征分类。全连接层的输出计算公式为： 公式中的l即为第l层，i为在第l层的第i个神经元。 卷积神经网络的训练过程其实就是前向传播和反向传播的过程。训练时，对输入的数据进行多层的映射，提取特征，得到分类结果，此为前向传播，如果分类的结果与事实不符，则进行反向传播，如此往复，最终得到我们所期望的分类结果。1.3卷积神经网络在动物图像特征提取中的可行性研究1.3.1动物图像特征提取的可行性分析对动物图像数据进行处理就是要完成对图像的特征的提取。为了使得模型更加的智能化，识别的结果更加的准确，就需要大量的动物图像数据，从这些数据中提取动物特征的特征信息，而又因为数据十分庞大，我们则需要我们所搭建的模型具备自主学习的能力，能够根据我们所提供的动物图像训练数据，从中自动提取出有效的特征信息，并且根据这些特征信息对图像进行分类。卷积神经网络作为一种无监督学习的深度神经网络，在模型的训练中具备对数据进行自主学习的能力，卷积神经网络结构通过每一层的连接，更加真实的模拟人类的神经结构，以这种类人的神经网络结构利用大量的图像数据对搭建的神经网络进行模型的训练，在这个过程中不断学习，达到对智能提取图像特征的目的。由此可以看出，卷积神经网络在对图像数据进行特征提取的这一方面，具有极大的优势，并且其能力和效果也是