基于深度学习的图像分类方法研究.pdf

2023年9 月计算机应用文摘第39 卷第17 期基于深度学习的图像分类方法研究陈朝飞（阳春市教师发展中心，广东阳春52 9 6 0 0)摘要：随着信息时代的发展，图像数据的数量不断增加。在海量的图像数据中提取有效信息，需要进行图像分类检索，而图像分类方法的选择与应用对图像分类的准确性和效率有重要影响。图像分类的主要流程包括获取图像、预处理、特征提取和识别分类。传统的图像分类方法效率较慢且准确性较低，而基于深度学习的图像分类方法可以利用复杂的机器学习方法提高图像分类的速度和准确性，具有良好的应用价值。关键词：深度学习；图像分类；方法研究CHEN Chaofei术的发展提供帮助。深度学习不仅提升了机器学习的能力,还赋予了机器更强大的功能,可以解决复杂中图法分类号：TP391Research on image classification based on deep learning(Yangchun Teacher Development Center,Yangchun,Guangdong 529600,China)Abstract:With the development of the information age,the quantity of image data is constantlyincreasing.Extracting effective information from massive image data requires image classification andretrieval,and the selection and application of image classification methods play an important role inthe accuracy and efficiency of image classification.The main process of image classification includesimage acquisition,preprocessing,feature extraction,and recognition classification.Traditional imageclassification methods have slower efficiency and lower accuracy,while deep learning based imageclassification methods can utilize complex machine learning methods to improve the speed andaccuracy of image classification,thus having good application value.Key words:deep learning,image classification,method study1汽深度学习与图像分类1.1汽深度学习深度学习是一种模式分析方法,能够通过对样本数据的内在规律和表示层次进行学习,更加准确地解释文字、图像、声音等数据。作为机器学习领域的重要分支，深度学习有利于提升机器的学习能力，使其具备识别文字、图像和声音的功能，为生产力发展提供良好的帮助。深度学习属于复杂的机器学习算法，目前主要包括三类：基于卷积运算的神经网络系统，基于多层神经元的自编码神经网络，以及以多层自编码神经网络为基础进行预训练，再通过鉴别信息进一步优化神经网络权值的深度置信网络。常见的深度学习模型有深度信念网络（DBN）、限制玻尔兹曼机（R BM）、卷积神经网络（CNN）、自编码器（AE）等。深度学习在语音和图像识别方面具有更强的优越性，可以为搜索技术、数据挖掘、多媒体学习、语音识别等技文献标识码：A模式识别难题，推动人工智能相关技术的发展，具有极高的应用价值 11.2图像分类图像分类是一种图像处理方式，根据图像信息所反映的特征，将相同类别的图像分为一类，区分不同类别的图像。在计算机系统中,图像分类通过定量分析图像中的像元或区域，取代了人眼进行视觉判读，从而实现智能化分类。计算机图像分类一般经过获取图像、图像预处理、特征提取和识别分类四个流程，使用不同的分类原理和算法,最终的分类结果可能存在差异。图像分类在各个领域都有广泛的应用价值，例如,在安保领域用于人脸识别系统，在交通领域用于场景识别和违规拍照，在互联网领域用于图像检索与自动归类,在医疗领域用于医学图像分类等 2。传统的图像分类需要依靠人工提取特征进行分类，效率134较低且准确性存在局限。然而,随着机器学习技术的发展,尤其是深度学习的提出，为图像分类提供了更好的条件，有利于提高图像分类效率并推动图像分类的进一步发展。1.3基于深度学习的图像分类在图像分类中,特征提取是关键环节,因为系统分类器最终接收的信号通常是输入图像的特征而不是原始图像,所以特征提取的准确性直接影响着图像分类的准确性，优化特征提取方法对于图像识别至关重要。常见的图像特征提取算法包括主成分分析、基于流形学习的算法和多维尺度分析等。然而这些提取算法的结构通常为单隐层模型,在训练数据不充分时容易影响分类准确性，导致分类效果下降。深度学习能够很好地克服上述缺点，即使在训练数据不充足的情况下，也能提取重要信息，从而提高图像分类的准确性 3。传统的图像识别一般需要人工提取特征，但人工选择的特征与人类视觉系统工作机制存在较大差异，不能完全保证图像识别的准确性。作为一种深度模式分析方式，深度学习能够自动完成特征提取,无需人工干预。它通过模仿人类大脑处理信息的分层机制逐层提取图像信息并选择重要信息，从而实现准确的图像识别。然而，目前基于深度学习的图像分类仍存在一定缺陷，比如,所应用的反向传播算法通常需要多次迭代才能完成调整，从而消耗较长的训练时间；深度学习对学习率比较敏感，学习率大小会影响性能,过大或过小都会影响模型结构的稳定性，从而影响分类效果 42卷卷积神经网络结构2.1租概念分析基于卷积运算的神经网络系统即卷积神经网络（C NN)是深度学习的典型算法,目前在图像分类中是主导算法。CNN由多层网络模型发展而来,是一种权值共享的网络结构，局部权值共享的特点使其在图像识别、语音处理等领域具有良好的性能。CNN是基于反向传播算法的多层神经元构成的计算结构，受到现代生物神经网络的启发，在进行神经网络连接时选择了局部连接和权值共享的方式，是目前应用最广泛的深度学习算法之一 5。CNN 的输人层可以接受多维数据。一维卷积主要针对语音信号，可以根据其单通道和双通道的不同,分别接收一维和二维数组；而二维卷积主要针对黑白图片数据，一般包含长和宽两个维度,而彩色图片由于RGB通道的加人而输入为三维数组。卷积层是CNN的核心,可以对原始图像或特征图进行特征提取，通过深度学习实现图像自动分类。卷积层包括卷积核和激活函数两个部分内容。计算机应用文摘卷积层中的神经元与前一层指定区域的神经元相连，由卷积核控制其连接规则，而连接所共同得到的神经元输出则受激活函数控制。CNN的池化层用于处理卷积层提取到的大量亢余信息，将不适合直接作为分类依据的信息归人池化层，并利用池化层的作用让卷积层能够获取全局特征信息，从而保证图像分类的质量。CNN的全连接层用于提取特征的整理和筛选,获取最优分类结果，三层全连接层是其中最常用的类型。CNN的输出层与传统的前馈神经网络一致,可以将分类图像进行准确输出，避免中途出现损失。2.2卷积神经网络结构的优化近年来,作为常用的深度学习技术,CNN得到了广泛的发展，而优化方法的应用在很大程度上提升了其应用价值，使其能够更加高效便捷地完成图像分类。梯度下降法是深度学习中普遍应用的优化算法，可以计算损失函数在特征空间中对应的梯度方向,通过叠加步长来更新参数，从而使优化算法达到最优结果。批量梯度下降法的应用能够用最少的步数达到全局最优点，提高深度学习的学习效率，并获得更好的学习效果。随机失活是CNN中常用的优化算法，用于处理过拟合问题。通过随机失活在每次迭代中随机删除部分节点，从而整合多个不同网络结构的训练结果，解决单个网络结构过拟合的问题，实现深度学习的优化。批标准化也是深度学习中常见的优化方法，对每一批次神经网络的隐层神经元的激活值进行标准化操作，以避免非标准化网络在训练过程中出现激活值过大或过小的问题，从而解决反向传播时底层神经元梯度消失的问题 6 2.3卷积神经网络在图像分类中应用不同于传统神经网络的全连接，CNN受到现代生物神经网络的启发，利用了局部连接和权值共享的特点,有效降低了模型的复杂程度和权重数量，有利于降低训练难度。在进行图像识别时，CNN的识别步骤与人类视觉机制相符,在图像分类中表现出良好的效果。图像分类任务可以细化为语义级图像分类、细粒度图像分类和实例级图像分类三种类别，不同类别的划分程度逐渐精细，在实际分类中也需要结合技术进行优化。在语义级图像分类中,CNN有着良好的应用,可以提供分类准确性更高、结构更复杂的网络,用于对ImageNet等语义级图像的分类。通过卷积核、池化核等技术的应用，优化网络结构，提升网络深度和通道数量,从而降低语义级图像分类的错误率。在实例级图像分类中,CNN可以为人脸转正、人脸识别等工作提供深度学习的辅助，提高图片识别的准确率，满足各领域的工作需求。在细粒度图像分类中,CNN也能够提供更高效、智能的分类算法，通过基于局部2023年第17 期2023 年第17 期区域卷积神经网络、联合语义检测和提取的卷积神经网络等模式，提高分类的准确性，满足图像分类的需求 7 3基于特征点空间关系的目标对齐算法3.1概念分析基于特征点空间关系的目标对齐算法是一种图像预处理算法，主要包含四个步骤：基于特征点合并的目标重定位、基于特征点空间关系的目标旋转、目标切割、以及尺度归一化。这种算法通过目标对齐可以让数据库中的图像对齐,避免了因为同类别图片位置差异而影响图像分类的准确性。作为一种预处理算法，目标对齐算法在细粒度图像分类中引入了转正对齐的预处理操作，有利于减小图片之间的差异，提升图片分类的准确率和工作效率，同时具有良好的泛化性。其中,基于特征点合并的目标重定位算法能够对目标物体进行定位,将局部特征点的对应坐标作为目标的中心点。通过基于深度学习的目标检测算法对特征点进行检测，根据检测得到的特征点位置进行目标对齐,从而保证预处理的可靠性。基于特征点空间关系的目标旋转算法可以对图片进行角度调整,将图片调整至统一姿态，通过分类旋转对齐，让图像进行有序分类。目标切割与尺度归一化方法的应用可以根据当前拥有的特征点勾画新的边界框，让图片按照不同规则设定边界框，并对边界框内的信息量进行分析,从而实现图片的分类 8 3.2技术总结作为一种图像预处理方法,基于特征点空间关系的目标对齐算法能够对细粒度图像分类数据库中的图像进行旋转对齐和位置调整，为图片分类提供良好的基础。在实际应用中,该算法可以根据图片中不同特征点的空间位置关系确定目标物体的信息，并通过特征点合并对目标进行重新定位。接着，通过基于空间关系的目标旋转、目标切割、和尺度归一化等处理，对图像进行对齐，从而解决数据库中图片类内差异较小的问题,提升深度学习算法对图片分类的准确率。4基于核极速学习机的随机参数深度模型4.1相概念分析基于核极速学习机的随机参数深度模型是一种利用多个卷积层和降采样层作为模型隐层的算法，用于完成图像特征提取。该算法具有较高的准确性和良好的工作效率。它采用了随机权值的网络结构，极计算机应用文摘大地节约了特征提取的时间，从而提高了图片分类的效率。然而,基于核极速学习机的模型在实际应用中可能会出现拟合现象，影响分类质量。为了解决过拟合问题，学者提出了正则化极速学习机，通过参数C进行风险值调节，从而改善了核极速学习机的过拟合和鲁棒性问题。另外,卷积核极速学习机是对前述方法的进一步改进。它通过引入随机权重卷积层和子采样层，解决了传统梯度算法训练时间长、学习率选择敏感等问题,进一步提升了深度学习的效率。这种改进为图像分类提供了良好的辅助，使模型在实际应用中表现更优秀 9 4.2技术总结基于核极速学习机的随机参数深度模型具有减少深度模型训练时间的特点。它通过交替加人卷积层与降采样层并作为隐层，从图像中提取显著特征，能够更高效地完成学习和分类，从而提升图像分类的质量。在核极速学习机的随机参数深度模型中，随机权值网络的应用使网络结构得到有效优化，进而提高了工作效率。这使得图像分类的准确性和速度都得到了进一步优化，使其成为一种优质的基于深度学习的图像分类方法。5基于DropConnect 的深度自动编码算法5.1概念分析DropConnect是对正则化方法Dropout的一般化表示，它能够随机丢弃隐层节点的输人权重，从而提升网络的泛化能力。将DropConnect引人深度自动编码算法中,可以实现多层自动编码器网络结构的数据优化,进而提高算法的运行效率。目前在深度学习中大多数算法应用BP算法进行分类。然而,在网络化训练时BP算法的迭代实验需要大量时间并且收敛速度较慢。在无法取得全局最优解的情况下,BP算法的效果并不理想。相比之下,基于DropConnect 的深度自动编码算法包含了两个自动编码器（AE），可以用于预防深度学习中的过拟合问题，提高模型的分类效果,并提升工作性能。DropConnect可以动态地稀疏化网络结构，与隐层神经元相连的输人权重的概率清零,从而建立稀疏连接层。由于在训练阶段随机清零可以获得不同的连接结构 10】,基于DropConnect 的深度自动编码器模型在实际应用中采用堆叠结构，可以免除人工提取特征的工作量，提升特征提取效率，并完成图片分类的高效处理。5.2技术总结基于DropConnect的深度自动编码算法通过将135136DropConnect算法与深度自动编码算法结合,有效地处理深度学习中的过拟合问题,并提升图片分类的效果。在实际应用中,该算法显著提高了模型的泛化能力，使得图像分类高效且快速，进而提高分类的精确度，满足分类工作的需求。6结束语图像分类是信息时代背景下的一项重要研究内容,也是计算机视觉的基础任务。通过图像分类，可以为医疗、交通、安防等领域提供良好的技术支持，帮助其精准快速地完成图像处理，从而提升工作效率。应用基于深度学习的图像分类方法能够显著提高图像分类的准确性,有效提高图像处理效率。在实际应用中基于深度学习的图像分类方法的多样性，不同类别的算法组合会对图像分类产生不同的影响。因此，需要注重分析各类算法的原理，并不断优化深度学习算法，以提高图像分类的质量和效率。参考文献：1叶昭晖,王薇薇,张影.基于深度学习的图像分类方法研究J.信息网络安全,2 0 2 1,16(S1)：143-146.(上接第132 页）参考文献：1】赵京胜，宋梦雪，高祥.自然语言处理发展及应用综述J.信息技术与信息化，2 0 19（7）：142-145.2郭天翼,彭敏,伊穆兰,等.自然语言处理领域中的自动问答研究进展 J.武汉大学学报（理学版），2 0 19,6 5（5）：417-426.3王婷,杨文忠.文本情感分析方法研究综述 J.计算机工程与应用,2 0 2 1,57(12):11-2 4.4】李曼宁,于晶芸,蒋忠中，等.基于网络视频弹幕情感分析的广告插人机制对消费者冲动购买意愿的影响 J.系统管理学报,2 0 2 1,30(6)：118 7-119 7.5张昱,刘开峰,张全新,等.基于组合-卷积神经网络的中文计算机应用文摘2张泽琳,章智伟,胡齐，等.基于深度学习的多产品煤料图像分类方法研究 J.煤炭科学技术,2 0 2 1,49（9）：117-12 3.3汪晓洲,石翠萍,杨混，等.基于深度学习的场景遥感图像分类方法研究J.齐齐哈尔大学学报（自然科学版），2021,37(5):11-15.【4】袁浩.基于深度字典学习的图像分类方法 J.信息与电脑（理论版）,2 0 2 1,33(12):55-57.5李祥霞，吉晓慧，李彬.细粒度图像分类的深度学习方法J.计算机科学与探索,2 0 2 1,15（10）：18 30-18 42.6】李玥,罗滔.深度学习理论的高光谱图像分类方法J.激光杂志,2 0 2 0,41(9):2 2 1-2 2 4.7】张振亚，倪红军.基于深度学习的发票图像分类方法J.南通职业大学学报,2 0 2 0,34（2）：7 9-8 3.【8 李睿,章宇辉.深度强化学习的图像特征高效分类方法仿真 J.计算机仿真，2 0 2 0,37(1)：37 7-38 0.9程俊华，曾国辉,刘瑾.基于深度学习的复杂背景图像分类方法研究 J.电子科技,2 0 2 0,33（12）：59-6 6.10】陶筱娇,王鑫.基于深度学习算法的图像分类方法 J.微型电脑应用,2 0 19,35（3）：40-43.作者简介：陈朝飞（19 8 5一），硕士，讲师,研究方向：计算机技术。新闻文本分类 J.电子学报,2 0 2 1,49（6）：10 59-10 6 7.6胡荣磊,芮璐,齐筱,等.基于循环神经网络和注意力模型的文本情感分析 J.计算机应用研究，2 0 19,36（11）：3282-3285.7 王小兵.基于长短期记忆网络的新冠疫情微博情感分析研究 D.合肥：安徽大学,2 0 2 1.8姜佳.文本表示模型及相似度计算算法研究与应用 D.西安：西安科技大学，2 0 2 0.作者简介：陈静（19 8 3一）,硕士，副教授，研究方向：教学论、计算机教育。梁俊毅（19 8 1一），硕士，副教授，研究方向：计算机教育、信息技术（通信作者）。2023年第17 期