基于opencv與深度學(xué)習(xí)框架的物體圖像識別(編輯修改稿)
2025-07-23 16:29 本頁面
【文章內(nèi)容簡介】 泛化功能和很強的容錯能力。一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。(4)良好的自適應(yīng)、自學(xué)習(xí)功能：人工神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)訓(xùn)練獲得網(wǎng)絡(luò)的權(quán)值與結(jié)構(gòu)，呈現(xiàn)出很強的自學(xué)習(xí)能力和對環(huán)境的自適應(yīng)能力。神經(jīng)網(wǎng)絡(luò)所具有的自學(xué)習(xí)過程模擬了人的形象思維方法，這是與傳統(tǒng)符號邏輯完全不同的一種非邏輯非語言。自適應(yīng)性根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出輸入和輸出之間的內(nèi)在關(guān)系，從而求取問題的解，而不是依據(jù)對問題的經(jīng)驗知識和規(guī)則，因而具有自適應(yīng)功能，這對于弱化權(quán)重確定人為因素是十分有益的。(5)知識的分布存儲：在神經(jīng)網(wǎng)絡(luò)中，知識不是存儲在特定的存儲單元中，而是分布在整個系統(tǒng)中，要存儲多個知識就需要很多鏈接。在計算機中，只要給定一個地址就可得到一個或一組數(shù)據(jù)。在神經(jīng)網(wǎng)絡(luò)中要獲得存儲的知識則采用“聯(lián)想”的辦法，這類似人類和動物的聯(lián)想記憶。人類善于根據(jù)聯(lián)想正確識別圖形，人工神經(jīng)網(wǎng)絡(luò)也是這樣。神經(jīng)網(wǎng)絡(luò)采用分布式存儲方式表示知識，通過網(wǎng)絡(luò)對輸入信息的響應(yīng)將激活信號分布在網(wǎng)絡(luò)神經(jīng)元上，通過網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)使得特征被準(zhǔn)確地記憶在網(wǎng)絡(luò)的連接權(quán)值上，當(dāng)同樣的模式再次輸入時網(wǎng)絡(luò)就可以進行快速判斷。(6)非凸性：一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。 正是神經(jīng)網(wǎng)絡(luò)所具有的這種學(xué)習(xí)和適應(yīng)能力、自組織、非線性和運算高度并行的能力，解決了傳統(tǒng)人工智能對于直覺處理方面的缺陷，例如對非結(jié)構(gòu)化信息、語音模式識別等的處理，使之成功應(yīng)用于神經(jīng)專家系統(tǒng)、組合優(yōu)化、智能控制、預(yù)測、模式識別等領(lǐng)域。 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)就是深度學(xué)習(xí)結(jié)構(gòu)的一種。它是一種受視覺神經(jīng)機制的啟發(fā)而設(shè)計的多層感知器。1962年，Hubel和Wiesel對貓的視覺皮層細胞的進行了相關(guān)研究，并提出了一種稱之為感受野(ReceptiveField)的概念。1980年，F(xiàn)ukushima在感受野概念的基礎(chǔ)上提出了神經(jīng)認知機(Neocognitron)模型，該模型可以看作是CNN的第一個實現(xiàn)，也是感受野概念首次應(yīng)用于在人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域。 輸入圖像的部分區(qū)域是隱藏神經(jīng)元的局部感受野CNN是一種特殊的深層的網(wǎng)絡(luò)模型，它的特殊性體現(xiàn)在兩個方面，一方面它的神經(jīng)元間的連接是非全連接的，另一方面同一層中某些神經(jīng)元之間的連接的權(quán)重是共享的。它的局部連接和權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)與生物神經(jīng)網(wǎng)絡(luò)非常類似，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。CNN是一種多層感知器，每層由多個二維平面組成，而每個平面由多個獨立神經(jīng)元組成。這種網(wǎng)絡(luò)結(jié)構(gòu)對圖像各種變化有著很強的適應(yīng)性，如比例縮放、平移、傾斜或者共他形式的變形等。CNN采用有監(jiān)督的方式訓(xùn)練網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的結(jié)構(gòu)主要有稀疏連接和權(quán)值共享兩個特點，詳細描述如下：(1)特征提取。每個神經(jīng)元只從上一層單向的接受輸入，且接受的是局部區(qū)域，因而，整個過程提取的是局部特征。而上下兩層的特征位置具有一一對應(yīng)的特性，即每一層的特征相對位置沒有改變。(2)特征映射。CNN中每個隱藏層都由包含多個特征映射圖，每個特征映射圖都是一個二維平面圖，其中的神經(jīng)元共享
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1