基于深度學習的油畫分類研究.pdf

1、最近幾年，深度學習越來越受到人們的普遍關注。尤其是深度學習算法之一卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）變得越來越重要。因此，圖像識別和圖像分類逐漸成為計算機視覺和機器學習領域的重要研究方向。隨著科技和通信的快速發(fā)展，在我們?nèi)粘Ｉ钪袑龅酱罅颗c圖像數(shù)字有關的信息，所以深入的研究圖像識別分類是非常有現(xiàn)實意義的事情。
　　正如我們所知，深度學習的發(fā)展前景很好，不僅大量應用在指紋識別，手寫字

2、體，車輛檢測和人臉識別，而且還應用在無人駕駛等高端科技產(chǎn)品上，都取得了非常好的結果。因此，本文將基于深度學習的思想應用到油畫數(shù)據(jù)集中，采用深度學習算法提取深層次圖像特征對油畫進行分類。主要工作內(nèi)容如下：
　　基于已有神經(jīng)網(wǎng)絡模型去構建新的網(wǎng)絡結構模型。首先簡介一下傳統(tǒng)人工神經(jīng)網(wǎng)絡算法，如感知機，玻爾茲曼機等等。接著敘述一下當今深度學習算法模型，如卷積神經(jīng)網(wǎng)絡，其中包括針對手寫字體MNIST數(shù)據(jù)集的lenet-5網(wǎng)絡模型，針對Ima

3、geNet數(shù)據(jù)集的2012AlexNet網(wǎng)絡模型和后來改進的2014GoogleNet網(wǎng)絡模型等等。本文將借鑒已有的經(jīng)典網(wǎng)絡結構模型算法，分析每個網(wǎng)絡模型的優(yōu)缺點，然后逐層合理的設計符合自己數(shù)據(jù)集的網(wǎng)絡結構模型。通過適當?shù)奶砑觗ropout層來處理過擬合，添加ReLU層來提高網(wǎng)絡收斂速率，適當?shù)寞B加局部特征向量和全局特征向量來提高算法的性能。
　　基于深度學習的思想對油畫作品進行識別分類。針對自己收集的油畫數(shù)據(jù)集進行標記分類，然后

4、把已有的深度學習網(wǎng)絡模型應用到該數(shù)據(jù)集上，分析lenet-5、AlexNet、GoogleNet在油畫數(shù)據(jù)集的分類準確率。由于自己收集的油畫數(shù)據(jù)集之間的分界并不是那么明顯，對分類效果可能帶來一些別的影響。因此，本文分別把油畫數(shù)據(jù)集分為11類和分界較好的5類，用上述網(wǎng)絡模型進行測試。用該油畫數(shù)據(jù)集對我們已經(jīng)設計好的網(wǎng)絡模型進行驗證分析，接著與其它網(wǎng)絡模型分類效果進行比較。實驗結果表明，在藝術領域中，新設計的神經(jīng)網(wǎng)絡模型能夠取得更好的效果。