部分内容展示

随着网络化的发展，数码图片、照片的数量与日剧增。面对海量的图像数据，如何能够快速、精准的定位自己所需要的图片信息，成为一个关键的问题。卷积神经网络能够通过多层的处理，摒弃图像中的额外信息，实现图像有效识别。为此，本文以基于深度学习架构的分类软件设计为课题，将卷积神经网络引入到图像分类软件设计中。具体是结合深度学习理论和卷积神经网络结构，以Goog Le Net深度神经网络模型作为基础，提出基于卷积神经网络的分类方法，并通过Tensorflow框架对基于卷积神经网络的分类方法进行验证。在此基础上，给出基于卷积神经网络的分类软件设计与实现方案，实现了图像分类识别功能，具有一定的实践应用价值。

关键词：深度学习；深度神经网络模型；图像分类；Tensorflow框架；更多范文 分类软件就是在深度学习的架构下，计算机对于图像做出一系列数字运算处理，让计算机像人一样去理解图片，并对图片做出分类。对于人来说，我们看到的是直观的图像，将信息传输到大脑并进行分类。那么对于计算机来说，我们就需要它通过算法对接收的数字信息进行整理，发现其中的规律，探究各个类别的特征属性并进行分类。现如今，随着互联网范围的扩展和相关应用的完善、智能硬件性能的不断发展，图像、文本、音频、视频数据呈持续且爆炸式的增长。图像和视频作为一种视觉信息的载体，包含着丰富的内容。在每天的工作、学习、生活及休闲娱乐中，人们需要处理大量图像数据。由于个体时间和精力的限制，图像分类软件高效帮助人们地从海量图像数据中挖掘出重要信息，更好地理解图像中的内容，以及利用图像，从中获得有效的信息，创造更多的社会价值和经济价值。图像分类与识别作为计算机视觉领域热门研究方向之一，图像分类与识别也是其他图像应用领域的基础。在社会、环境、健康、安全等方面都发挥着无可替代并且越来越重要的作用。卷积神经网络中每层的特征映射图通过使用相同的核函数进行卷积之后，进一步提取特征，在此期间实现了权值共享。经过多层的处理后，将摒弃图像中的额外信息，以便当图像被识别时，即时图像清晰度低、形变效果差却依然可以处理。因为卷积神经网络模型在图像处理中所具备的高效性，因此目前已逐渐取代传统的图像处理方法。本文对基于深度学习构架的分类软件进行设计，主要是通过深度学习网络对目标的特征进行提取，研究如何基于卷积神经网及其变体的深度学习框架，在特征提取中展示出优越性，并提高其分类精度和效率，具有一定的实践应用价值。