1、基于深度区域卷积神经网络图像识别的研究 尚泽元 济宁市兖州区第一中学 摘 要： 深度学习在目标识别, 图像分割, 语义分析中取得了不错的研究成果, 但对于区域目标识别应用较少, 速度较慢。本文中采用了快速区域卷积神经网络, 先产生原始区域, 再通过深度学习选定目标特征, 通过目标特征进行相似度判断, 最后确定类别。分析比较区域卷积网络和快速区域神经网络的区别, 以及比较性能优劣, 表明快速区域卷积神经网络利用了区域特征共享进一步的加速了神经网络运行速度和性能。通过几幅图的识别, 实验表明快速区域卷积神经网络可以成果识别各个人, 表明了此网络的准确性和算法的鲁邦性。关键词： 原始区域; 区域卷积
2、神经网络; 深度学习; 作者简介：尚泽元, 济宁市兖州区第一中学。一、前言上个世纪四五十年代, 随着第三次工业革命的出现, 电子信息技术逐渐开始蓬勃发展。人们想拥有一种全自动机器, 它具有与人类相同甚至超越常人的对世界的感知能力, 这就是人工智能。从此, 科学家纷纷投入对的研究当中, 在随后的十几年中人们在人工智能的图像检测与识别领域有所建树。1959 年, Hubel2) 使用第一步中产生的 Ro I 区域训练 Faster-RCNN 分类网络;3) 固定卷积层参数, 调整 RPN 参数;4) 固定卷积层参数, 调整全连接层参数。三、SAR 图像目标识别及目标检测实验结果目标识别实验结果:本
3、论文利用了别对我说谎的电视中的片段采集, 为分析微表情, 首先要对人物进行目标识别, 再判断每个人的表情, 一下是通过 fast rcnn 识别的结果。可以看出可以明确对人产生识别, 且识别率高。如图 2图 2 识别人物 下载原图四、总结本文分析了卷积神经网络和快速卷积神经网络区别, 分析卷积神经网络运算速度的局限性是由于需要针对每个单图像的每个区域进行前向传播, 且需要分别训练三个不同的模型使得训练困难, 快速卷积神经网络就是针对这两个问题, 提出了解决方案, 提出了图像区域总是相互重叠, 使得我们一遍遍计算 CNN。而且共享计算, 获取每个图像的特征, 将所有模型输入合并一个网络。分类器和
4、边界框分类器组成变为一个简易网络。添加了 softmax 层代替支持向量机, 进一步节省了时间。参考文献1康凯.基于 BP 神经网络的电信客户流失预测的研究J.中国电子商务, 2014 (19) :31-32. 2张安胜.深度学习在蛋白质二级结构预测中的应用研究D.安徽大学, 2015. 3陈伟.机器人穿越行为中基于深度卷积神经网络的门识别方法及应用D.广东工业大学, 2015. 4吕翔宇.基于深度学习的手势识别研究D.西安电子科技大学, 2015. 5杨逍.机器学习中隐式因子模型及其优化算法研究D.哈尔滨工业大学, 2013. 6赵志宏, 杨绍普, 马增强.基于卷积神经网络 Le Net-5 的车牌字符识别研究J.系统仿真学报, 2010, 22 (3) :638-641.
