亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于卷積神經網(wǎng)絡技術實現(xiàn)街道字符識別

        2021-09-14 23:54:44袁姍姍
        電腦知識與技術 2021年22期
        關鍵詞:圖像分類卷積神經網(wǎng)絡深度學習

        袁姍姍

        摘要:卷積神經網(wǎng)絡作為深度學習領域近年來最優(yōu)秀的算法之一,已經廣泛應用于各種計算機視覺任務,尤其在圖像分類任務中,卷積神經網(wǎng)絡憑借其極高的分類準確率,使用率已經遠超過傳統(tǒng)的機器學習算法。街道字符識別作為圖像分類任務的一種,為了完成這個分類任務,全文基于卷積神經網(wǎng)絡技術,首先對數(shù)據(jù)集進行讀取、并針對數(shù)據(jù)量較少問題,采取一系列的數(shù)據(jù)增強操作,然后完成卷積神經網(wǎng)絡模型的構造。通過對模型的訓練,測試結果顯示測試集和驗證集準確率分別為0.9523和0.7453,出色地完成了對街道字符的識別任務,并驗證了所搭建模型的有效性和優(yōu)異性。

        關鍵詞:深度學習;卷積神經網(wǎng)絡;圖像分類;街道字符識別

        1 引言

        圖像作為重要的信息傳遞方式引起了當今學者們和工業(yè)者極大的重視,圖像信息及圖像深層蘊含的語義信息有著巨大的價值。街道字符作為圖像分類領域典型的分類任務之一,如何將街道字符中包含的街道信息和數(shù)字等字符信息提取出來并正確分類,是一個具有實際意義的研究課題。在街道上,隨處可見的街牌、門牌的背后蘊含豐富的數(shù)字信息、地址信息以及文化信息,更應該合理地運用這寶貴的圖像信息資源,挖掘信息中的內在聯(lián)系,首要的就是通過計算機對這些街道字符信息進行自動地識別。文中采用卷積神經網(wǎng)絡技術,就如何高精度正確的區(qū)分街道字符這一問題展開研究,結合街道字符信息特點和卷積神經網(wǎng)絡的技術手段,來完成任務要求。

        2 卷積神經網(wǎng)絡簡介

        卷積神經網(wǎng)絡[1](CNN)是一種優(yōu)秀的人工神經網(wǎng)絡。卷積神經網(wǎng)絡在許多領域都有優(yōu)異的性能,卷積神經網(wǎng)絡最大的優(yōu)點是其訓練結果的精度遠遠高于傳統(tǒng)的算法。特別是在計算機視覺領域,卷積神經網(wǎng)絡是解決圖像分類、圖像檢索、目標檢測和語義分割問題的主流模型。卷積神經網(wǎng)絡的每一層都由許多卷積核組成。每個卷積對圖像進行卷積操作,并將它們輸出到下一個輸入。隨著網(wǎng)絡層的增加,卷積核會逐漸擴大接受域,減小圖像的大小。從結構上看,卷積神經網(wǎng)絡是一個分層模型。輸入的是原始圖像數(shù)據(jù),最終輸出的是經過多層運算后的精度結果。卷積神經網(wǎng)絡由卷積、池化、輸入、輸出和全連接層組成。以最經典的LeNet[2]模型為例,說明卷積神經網(wǎng)絡的結構組成。LeNet模型的網(wǎng)絡結構,是由兩個卷積層,兩個池化層和兩個全連接層組成。LeNet模型卷積核的大小都是5×5,步長stride=1,池化層使用最大池化。通過多次卷積和池化,將輸入圖像像素映射到具體輸出。例如,在分類任務中,將不同類別的概率輸出進行轉換,然后計算卷積神經網(wǎng)絡模型的真實標簽和預測結果之間的差異,并通過反向傳播更新每一層的參數(shù),更新完成后再次重復正向傳播,以此類推,直到訓練完成。與傳統(tǒng)的機器學習模型相比,卷積神經網(wǎng)絡有一種端到端的方法,即只需要輸入相應的數(shù)據(jù)集,經過訓練后就可以直接輸出結果。因此,在卷積神經網(wǎng)絡的訓練過程中,直接從圖像輸入到最終結果的輸出,不涉及煩瑣的特征提取步驟也不需要任何的人為參與,就可以得到結果。

        回顧卷積神經網(wǎng)絡的發(fā)展歷程,模型大多都是隨著層數(shù)和參數(shù)量的增長來更新?lián)Q代的。模型的交替更新中,不得不提到LeNet-5、AlexNet[3]兩個優(yōu)秀的卷積神經網(wǎng)絡模型。LeNet-5模型是在1998年由Yann LeCun等搭建的模型。他們不但提出了卷積、池化、也第一次正式提出卷積神經網(wǎng)絡局部感受野的理論依據(jù)。LeNet-5模型算是卷積神經網(wǎng)絡引起學者們廣泛關注的看開端。而AlexNet模型就是將卷積神經網(wǎng)絡推入學者們研究熱點的催化劑。AlexNet模型在2012年由Hinton等人設計搭建完成的。在ImageNet大規(guī)模的圖像分類競賽中,AlexNet模型以極大的優(yōu)勢領先其他的機器學習的算法,將人們的目光聚焦在卷積神經網(wǎng)絡技術上,作為推廣卷積神經網(wǎng)絡的強力推手,AlexNet模型功不可。隨后,越來越多的CNN模型,如VGG[4]、InceptionV3[5]和ResNet[6]等,被學者們搭建出來,并成功在各個領域廣泛的應用。

        3 基于卷積神經網(wǎng)絡進行街道字符識別

        基于卷積神經網(wǎng)絡進行街道字符識別主要分為數(shù)據(jù)集的準備、數(shù)據(jù)讀取、數(shù)據(jù)增強、模型的訓練與驗證這四個步驟。數(shù)據(jù)集的獲取是整個實驗的基礎,選取合適的數(shù)據(jù)集,不僅有利于實驗還可以更方便地進行橫向的對比,來驗證模型的優(yōu)劣。數(shù)據(jù)讀取與數(shù)據(jù)增強屬于對圖像數(shù)據(jù)的預處理工作,將圖像進行規(guī)范的讀取,并用數(shù)據(jù)增強的方法來增加數(shù)據(jù)集的樣本量來更好的訓練所構建的卷積神經網(wǎng)絡。模型的訓練與驗證中從模型的搭建、驗證集的構造、模型的保存、調參等多個方面,對模型訓練驗證過程做出了詳細的說明。通過對卷積神經網(wǎng)絡模型的訓練,結果顯示,所搭建的模型高精度地完成了對街道字符的識別任務。文中實驗基于python編程語言。實驗使用pytorch框架對卷積神經網(wǎng)絡模型進行搭建。

        3.1 數(shù)據(jù)集

        本文任務是街道字符識別任務,數(shù)據(jù)集選用The Street View House Numbers[7] 數(shù)據(jù)集,簡稱SVHN。SVHN數(shù)據(jù)集中所有的圖像,都是真實存在的,它們是源自真實的房屋號碼。在SVHN的使用中,SVHN數(shù)據(jù)集常用于模式識別,圖像分類算法的開發(fā)。因為SVHN數(shù)據(jù)集中圖像像素偏小,所以它只需要簡單的預處理和讀取操作即可,同時訓練時相對時間較短。盡管SVHN數(shù)據(jù)集中圖像的裁剪數(shù)字很小,但是它合并了更多數(shù)量級的標簽數(shù)據(jù),標簽數(shù)據(jù)量超過600,000個圖像。此數(shù)據(jù)集主要的應用就是用于識別自然場景圖像中的字符和數(shù)字的模型的訓練及測試。數(shù)據(jù)集大小為2.5G,格式為.mat 文件,共含有10個類別,一共含有630,420張圖片。所有原始圖片的大小均已調整為固定的32 x 32像素分辨率,原始字符邊框在適當?shù)某叽缟蠑U展為方形窗口,其中包含圖像中每個圖像的邊界框的位置、大小和標簽。

        3.2 數(shù)據(jù)讀取

        本文任務是針對原始的圖像數(shù)據(jù),精準地識別街道路牌圖像中的字符。第一步要做的是讀取數(shù)據(jù),我們使用的是Python語言,調取常用的Pillow庫和OpenCV庫完成對數(shù)據(jù)的讀取和寫入。 下文從兩個庫的具體用法,包括常用函數(shù)等方面,舉例說明這兩個函數(shù)庫的使用方法。

        猜你喜歡
        圖像分類卷積神經網(wǎng)絡深度學習
        基于云計算的圖像分類算法
        基于深度卷積神經網(wǎng)絡的物體識別算法
        基于錨點建圖的半監(jiān)督分類在遙感圖像中的應用
        MOOC與翻轉課堂融合的深度學習場域建構
        大數(shù)據(jù)技術在反恐怖主義中的應用展望
        深度學習算法應用于巖石圖像處理的可行性研究
        軟件導刊(2016年9期)2016-11-07 22:20:49
        一種基于引導濾波和MNF的高光譜遙感圖像分類方法
        軟件導刊(2016年9期)2016-11-07 22:19:22
        基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
        軟件工程(2016年8期)2016-10-25 15:47:34
        基于最大似然法的南京市土地利用類型分類研究
        商(2016年22期)2016-07-08 14:32:30
        基于卷積神經網(wǎng)絡的樹葉識別的算法的研究
        成年女人a级毛片免费观看| 日韩精品一区二区三区四区视频| 久久久亚洲一区二区三区| 亚洲av网一区二区三区| 五月综合激情婷婷六月色窝| 国产另类综合区| 日本免费一区精品推荐| 久久精品国产亚洲av四叶草| 影音先锋中文字幕无码资源站| 伊人色综合视频一区二区三区| 好看午夜一鲁一鲁一鲁| 在线中文字幕一区二区| 在线观看成人无码中文av天堂| 狠狠爱无码一区二区三区| 18禁黄无遮挡免费网站| 精品日本一区二区三区| 高清偷自拍亚洲精品三区| 中文在线а√天堂官网| 亚洲av伊人久久综合性色| 一区二区在线观看视频高清| 爆乳熟妇一区二区三区霸乳| 无遮挡网站| 日本加勒比一区二区在线观看| 爽爽影院免费观看| 国产亚洲精品久久久久久| 亚洲www视频| 尤物精品国产亚洲亚洲av麻豆 | 欧美自拍视频在线| 国产三级av在线播放| 色哟哟亚洲色精一区二区| 男女性高爱潮免费网站| 成 人 网 站 在线 看 免费 | 亚洲午夜福利在线视频| 久久久亚洲欧洲日产国产成人无码 | 最近中文av字幕在线中文| 日本二区视频在线观看| 精品人妻av区乱码色片| 福利体验试看120秒| 99re国产电影精品| 水蜜桃男女视频在线观看网站| 国产综合无码一区二区辣椒|