卷积神经网络在图像识别中的应用专家讲座

目录卷积神经网络发展及其特点卷积神经网络模型卷积神经网络训练卷积神经网络应用于人脸识别卷积神经网络在图像识别中的应用专家讲座第1页Hubel和Wiesel在研究猫脑皮层中用于局部敏感方向选择神经元时，发觉其独特网络结构能够有效降低反馈神经网络复杂性。Fukushima提出了第一个基于神经元之间局部连接型和层次结构组织用于转化图像网络Neocognition.依据Fukushima观点，LeCun提出了以LeNet为代表卷积神经网络。卷积神经网络发展卷积神经网络在图像识别中的应用专家讲座第2页卷积神经网络特点卷积神经网络是一类尤其设计用来处理二维数据多层神经网络。卷积神经网络被认为是第一个真正成功采取多层层次结构网络含有鲁棒性深度学习方法。用卷积神经网络做图像处理时，原始图像不需要太多预处理就能够很好地学习到图像不变性特征。权值共享、局部感受野和子采样是卷积神经网络不一样于其它神经网络三个主要特征。卷积神经网络在图像识别中的应用专家讲座第3页卷积神经网络模型输入图像经过滤波器和可加偏置进行卷积得到C1层；对C1层特征图进行下采样得到S2层；对S2层特征图进行卷积得到C3层；对C3层特征图进行下采样得到S4层；S4层特征图光栅化后变成向量输入到传统全连接神经网络进行深入分类，得到输出；输入C1S2C3S4NN卷积神经网络在图像识别中的应用专家讲座第4页卷积和下采样（降采样）过程

∑

X∑

*∑input

卷积神经网络在图像识别中的应用专家讲座第5页卷积过程池化过程：取某个特定区域最大值或平均值1110001110001110011001100101010101111011001

×图像卷积特征5249386161839138取平均值94卷积神经网络在图像识别中的应用专家讲座第6页卷积神经网络训练过程第一阶段：前向传输过程第二阶段：反向传输过程从样本集中取一个样本输入到网络中；计算对应实际输出；在这个阶段，输入信息经过逐层变换，传输到输出层。主要是前向特征提取。计算实际输出与期望输出差；按极小化误差方法反向传输，调整权值矩阵；反向传输就是误差反向反馈和权值更新。卷积神经网络在图像识别中的应用专家讲座第7页网络训练流程图图像输入卷积和采样过程全连接层输出层是否符合期望输出结果参数初始化前向反馈变换、计算增强、逻辑回归是前向传输否误差反馈权值更新反向传输卷积神经网络在图像识别中的应用专家讲座第8页OlivettiFaces人脸数据集介绍OlivettiFaces是纽约大学一个比较小人脸库包含40个人人脸图片，每个人10张人脸样本，共400份样本卷积神经网络在图像识别中的应用专家讲座第9页程序所参考卷积神经网络结构：LeNet-5两个“卷积+子采样层”LeNetConvPoolLayer全连接层相当于MLP（多层感知机）中隐含层HiddenLayer输出层采取逻辑回归LogisticRegressioninput+layer0(LeNetConvPoolLayer)+layer1(LeNetConvPoolLayer)+layer2(HiddenLayer)+layer3(LogisticRegression)卷积神经网络在图像识别中的应用专家讲座第10页程序模块介绍加载图像数据函数：load_data(dataset_path)卷积+采样层：classLeNetConvPoolLayer(object)全连接层（隐藏层）：classHiddenLayer(object)分类器，即CNN最终一层：classLogisticRegression(object)保留训练参数函数：save_params(param1,param2,param3,param4)卷积神经网络在图像识别中的应用专家讲座第11页learning_rate=0.05 //学习速率batch_size=40 //一次输入CNN样本数n_epochs=100 //最大训练步数nkerns=[20,50]

//第一层卷积核个数为20，

第二层卷积核个数为50poolsize=(2,2) //从