【技术实现步骤摘要】
一种基于深度卷积神经网络的图像识别方法
[0001]本专利技术属于图像识别
，具体涉及一种基于深度卷积神经网络的图像识别方法。
技术介绍
[0002]近年来，在面对大数据处理的过程中，深度学习的算法模型在人工智能领域取得前所未有的成功，在许多领域中人工智能甚至有超越人类的表现。深度学习神经网络模型有着复杂的网络结构和庞大的参数计算量，通常需要依靠有标签的数据库进行循环迭代训练，因此学习网络模型对庞大的训练数据库有很强的依赖性。
[0003]训练模型需要依赖丰富的数据库，还需长时间、多次的迭代训练才能在应用中获得理想的效果。当数据不满足理想要求时，训练过程中容易产生过拟合现象，模型的正确率和有效性急剧下降。在不同需求的实际应用中，获得大量带有标签的理想数据通常并不容易实现。由于隐私、安全等各方面原因，采集图像数据十分困难，而即便采集到了图像数据，对大量数据进行标注需要付出昂贵的人工成本，极大限制了模型的使用。而在许多实际应用场景中，对大规模的数据采集和数据处理是十分困难的。小样本的学习主要作用在神经网络分类器中，...
【技术保护点】
【技术特征摘要】
1.一种基于深度卷积神经网络的图像识别方法，其特征在于，包括如下步骤：S1、将数据集Omniglot输入到Vgg
‑
16卷积神经网络改进的孪生网络中，遍历数据集的20个样本，样本进入特征提取网络；S2、特征提取网络输出样本的特征值，对输出的特征向量进行曼哈顿距离度量；S3、将度量距离代入对比损失函数中计算损失值；S4、通过深度神经网络的计算流程来不断调整权值，优化网络；S5、使用Adam优化器，修正网络参数，保存模型；S6、将参数应用在预测孪生网络中，对度量距离输出后的数据进行相似度计算，来实现相似度识别应用。2.根据权利要求1所述的一种基于深度卷积神经网络的图像识别方法，其特征在于：在将数据集Omniglot输入到Vgg
‑
16卷积神经网络改进的孪生网络之前，分别使用单层全连接层网络、卷积神经网络、Vgg
‑
16卷积神经网络模型，对数据进行训练。3.根据权利要求2所述的一种基于深度卷积神经网络的图像识别方法，其特征在于：采用深度卷积神经网络结合到孪生网络中，将Vgg
‑
16卷积架构与度量学习结合，得到Vgg
‑
16卷积神经网络改进的孪生网络。4.根据权利要求1所述的一种基于深度卷积神经网络的图像识别方法，其特征在于：在特征提取网络输出样本的特征值时，通过两个权值共享的特征提取神经网络进行特征提取，通过度量方法对特征向量进行空间映射，对图片数据进行特征提取。5.根据权利要求1所述的一种基于深度卷积神经网络的图像识别方法，其特征在于：深度神经网络的计算包括通过设置损失函数，计算模型的训练结果与实际结果的损...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。