基于卷积神经网络的建筑风格图像分类的研究

摘要

深度学习是机器学习研究中的一个新的领域，目前，深度学习网络主要有深度置信网络、受限玻尔兹曼机、栈式自动编码器和卷积神经网络等。其中，卷积神经网络在图像识别的效果中最为显著，最近几年，卷积神经网络在不同的领域取得了令人不可思议的成绩，这些领域包括图像分类，目标和人脸检测，语音识别等，其中，最成功的例子之一是在ImageNet数据集上使用卷积神经网络模型连续两年取得冠军成绩。 本论文主要围绕卷积神经网络的网络设计和参数优化两方面展开深入的研究，卷积神经网络在图像分类效果的好坏主要取决于网络层数和网络参数，如何合理设计卷积神经网络的卷积层的数目、隐含层的数目和良好的参数是决定卷积神经网络模型是否成功的关键环节。为此，本论文的主要工作如下： （1）首先，设计一个5层网络层的浅层卷积神经网络模型，在十类和二十五类建筑风格数据集中进行测试，通过使用relu函数代替传统的sigmoid函数作为激活函数，使用Dropout进行训练来优化网络参数，从而提高建筑风格图像的分类效果。 （2）考虑到建筑风格图像分类的复杂性，设计一个9层网络层的深层卷积神经网络模型，在十类和二十五类建筑风格数据集中进行测试，通过使用maxout函数作为激活函数，使用DropConnect进行训练等技巧来优化网络参数，从而提高建筑风格图像的分类效果。 （3）对本文提出的两种网络模型做了实验研究，实验结果表明卷积神经网络的网络层数越深，提取到图像的特征越全面，训练分类效果越好，但是网络层数越多，网络参数就越多，训练时间就越长，提高的精度幅度越小，综合多方面因素，将网络层数设置为13为较为合适的选择。 本论文提出了两种用于建筑风格图像分类的卷积神经网络模型，并做了实验研究，对实验结果做了相应的分析，总结出深度学习关于图像分类的一些实践性规律，对解决实际问题具有一定的参考意义。

目录

声明

第1章 绪论

1.1 选题背景及意义

1.2 研究现状与相关工作

1.3 研究内容

1.4 文章结构

第2章 卷积神经网络

2.1 神经网络

2.2 反向传播算法

2.3 卷积神经网络原理

2.4 卷积神经网络结构

2.5 卷积神经网络各层计算过程

2.6 卷积神经网络训练过程

2.7 本章小结

第3章 浅层建筑风格图像分类模型设计

3.1 建筑风格图像数据库的创建

3.2 数据增强的方法

3.3 LeNet-5模型介绍及其改进

3.4 提高分类准确率的策略

3.5 本章小结

第4章 深层建筑风格图像分类模型设计

4.1 深层建筑风格图像分类模型设计

4.2 深层建筑风格图像分类模型训练测试算法

4.3 深层建筑风格图像分类模型改进

4.4 优化网络参数

4.5 本章小结

第5章 总结与展望

5.1 总结

5.2 未来工作展望

致谢

参考文献

攻读硕士学位期间的研究成果