基于卷积神经网络的识别系统研究

ａ竹谯２０１７年第３０卷第１期　

Ｅｌｅｃｔｒｏｎｉｃ　Ｓｃｉ．＆Ｔｅｃｈ．／Ｊａｎ．１５．２０１７　协议・算法及仿真　

ｄｏｉ：１０．１６１８０／ｊ．ｃｎｋｉ．ｉｓｓｎｌＯ０７—７８２０．２０１７．０１．０２９　

基于卷积神经网络的位置识别　

王丽君，于莲芝　

（上海理工大学光电信息与计算机工程学院，上海２０００９３）　

摘要传统的移动机器人视觉位置识别算法，多是基于手工提取特征且易受环境影响。文中提出了一种基于卷　

积神经网络算法，根据深度学习框架Ｃａｆｆｅ优化了卷积神经网络的结构，从卷积神经网络每一层的输出中提取出图像描　

述符，进行动态环境中的位置识别。实验结果表明，该算法具有较高的鲁棒性与准确性。　

关键词视觉位置识别；卷积神经网络；动态环境　

中图分类号ＴＰ３９１．４　文献标识码Ａ　文章编号１００７—７８２０（２０１７）０１—１０４—０４　

Ｖｉｓｕａｌ　Ｐｌａｃｅ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　

ＷＡＮＧ　Ｌｉｊｕｎ，ＹＵ　Ｌｉａｎｚｈｉ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｏｐｔｉｃａｌ－Ｅｌｅｃｔｒｉｃａｌ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｈａｎｇｈａｉ　ｆｏｒ　Ｓｃｉｅｎｃｅ　

ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ　２０００９３，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ　Ｍｏｓｔ　ｏｆ　ｔｈｅ　ｃｌａｓｓｉｃ　ｍｅｔｈｏｄｓ　ａｂｏｕｔ　ｖｉｓｕａｌ　ｐｌａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｏｒ　ｍｏｂｉｌｅ　ｒｏｂｏｔｓ　ａｒｅ　ｂａｓｅｄ　ｏｎ　ｈａｎｄ—ｃｒａｆ－　

ｔｅｄ　ｆｅａｔｕｒｅｓ　ａｎｄ　ｅａｓｉｌｙ　ｓｕｂｊｅｃｔ　ｔｏ　ｔｈｅ　ｅｎｖｉｒｏｎｍｅｎｔ　ｃｈａｎｇｅｓ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｗｅ　ｐｒｏｐｏｓｅｄ　ａ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔ—　

ｗｏｒｋｓ（ＣＮＮ）ｂａｓｅｄ　ｍｅｔｈｏｄ，ｆｉｎｅｔｕｎｅｄ　ｔｈｅ　ＣＮＮ　Ａｒｃｈｉｔｅｃｔｕｒｅ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　Ｃａｆｆｅ　ｆｒａｍｅ　ａｎｄ　ｕｓｅ　ｄｅｓｃｒｉｐｔｏｒｓ　ｏｂ－　

龙源期刊网

基于CNN卷积神经网络的手势识别系统

作者：俞洋 厉丹 马一丁 姚瑶 张丽娜

来源：《电脑知识与技术》2020年第10期

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

摘要：与普通的神经网络非常相似，CNN卷积神经网络也由具有可学习的权重和偏置常量的神经元组成。每个神经元都接收一些输入并做一些点积计算，输出是每个分类的分数，普通神经网络里的一些计算技巧依旧适用。该文介绍了基于CNN卷积神经网络的手势识别系统，首先对不同的手势图片进行采集，将采集结果作为训练集和测试集，系统将会对其进行识别。

关键词：卷积神经;手势识别;深度学习

中图分类号：TP183 文献标识码：A

文章编号：1009-3044（2020）10-0210-03

1概述

随着科学技术的不断发展，图像识别技术的应用领域不断扩大，现如今已经成为一个热门话题。不仅可以方便人们的生活，更为用户提供了更加直观灵活的操作方式。

手势识别是人机交互中一种简单直接的方式，对图像进行手势分割，综合手势形状和位置状态信息，将静态手势划分为五种，提取基于图像属性的静态手势特征，而后将手势特征向量输入到系统进行训练并得到识别模型。通过多种多样的手势，可以有效捕捉、分析和识别不同的手势信息，在多个领域都有着重要意义。

2卷积神经网络

2.1卷积神经网络结构

如图1，卷积神经网络其实是起到一个分类器的作用。卷积层的作用是提取特征，采样层的作用是特征选择，全连接层的作用是分类。 龙源期刊网

卷积神经网络的核心思想是局部感受野、权值共享和pool-ing层，具有表征学习的能力，能够按照其阶层结构对所输入的信息进行平移不变分类，采用梯度下降法最小化损失函数，对网络中的权重参数逐层进行反向调节，通过高频的迭代训练来提高网络的精度。

龙源期刊网

基于卷积神经网络的图像识别研究

作者：房梦婷 陈中举

来源：《电脑知识与技术》2020年第10期

龙源期刊网

龙源期刊网

龙源期刊网

摘要：为提高图像识别的准确率，提出了一种基于卷积神经网络的图像识别模型。本实验使用Python编程语言实现模型的训练与测试。对图像数据集cifar-10进行预处理后，使用Python中的Keras框架进行模型的构建与训练，模型训练完毕后，对识别准确率进行评估，最后对测试集中的图片进行识别，获得预测准确率和混淆矩阵。通过增加卷积运算的次数，提高图像识别的准确率。

关键词：卷积神经网络;图像识别;Python;Keras

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2020）10-0190-03

1概述

卷积神经网络，简称CNN，是多层神经网络模型的一个变种，受到生物学的启发，卷积神经网络在图像领域得到了广泛的应用。最早的神经网络模型是1998年由LeCun等人提出的龙源期刊网

LeNet5m，它以交替出现的卷积层和池化层作为基础的主干网络，结合全连接层组成完整的网络结构。在2012年，Krizhevsky等人设计了AlexNetN网络，它的主干网络包含了五个卷积层，全连接层增加到三个，并且将传统的激活函数替换成ReLU函数。2013年，MinLin在NetworkinNetworkN中首次明确提出了在进行卷积运算的时候使用1Xl的卷积核。2014年，Szegedv等人提出了并行卷积的Inception模块。2015年，HeK等人提出了使用两个3x3的卷积核代替原来的5x5的卷积核的MSRA-Net[S]，使网络的性能得到非常大的提升。同年，HeK等人提出的RestNet网络，进一步提升了网络性能。 2相关技术

2.1Keras框架

基于深度卷积神经网络的医学图像识别技术研究

近年来，深度学习技术在医学图像领域得到了广泛的应用。基于深度卷积神经网络的医学图像识别技术已经成为了医学图像分析的主流方法之一。这种方法不仅具有高精度和良好的稳定性，同时也能够帮助医生快速、准确地定位和诊断疾病，极大地提升了医学诊断和治疗的效率。

一、深度卷积神经网络的基本原理及其在医学图像识别中的应用

深度学习技术中深度卷积神经网络是近年来最为流行的一种模型。这种模型的基本原理是将输入的数据（如图像等）通过多层卷积和池化操作进行特征提取和降维，最后得到目标变量的预测结果。与传统方法相比，深度卷积神经网络具有以下几个特点：

1. 层次化表示：深度卷积神经网络的多层结构可以构造出一个层次化的表达，每一层都可以提取出数据的一个特征。这种特点对于医学图像识别很有用，因为医学图像往往包含了大量的信息，而深度卷积神经网络可以将这些信息分解并提取出来。

2. 自适应的特征提取：深度卷积神经网络的每一层都有自己的卷积核/滤波器，在训练过程中，网络会自动寻找合适的卷积核，能够提取出更有用的特征。

3. 大规模训练模型：深度卷积神经网络需要大量的训练数据和计算资源，但同时也因为这个原因，网络的识别性能会得到很大的提高。

基于深度卷积神经网络的医学图像识别中，研究者们通常根据不同的任务需求，选择不同的网络结构和训练方法。例如，在病理诊断中，需要对医学图像进行分割，可以选择 U-Net 网络结构；在肺 CT 扫描的结节检测中，可以采用 Faster-RCNN 网络结构。 二、基于深度卷积神经网络的医学图像识别应用案例

目前，在临床医疗领域，已经应用了很多基于深度卷积神经网络的医学图像识别技术。下面分别列举几个案例。

1. 基于深度卷积神经网络的乳腺癌检测

乳腺癌是女性健康的重要问题之一，早期发现和治疗乳腺癌是十分必要的。然而，传统的乳腺癌筛查通常需要繁琐的、昂贵的医疗设备，在普通的医院很难进行。