摘 要

随着信息化时代的发展，图像日益成为了人们日常生活中重要的信息载体。通过对图像数据的有效分类，为图像识别，机器学习等视觉领域研究奠定了基础。卷积神经网络是深度学习领域的重要领域，分类图片的性能较佳，使用卷积神经网络对图像数据进行训练学习，可以提取图像数据的特征。

本文基于卷积神经网络进行讨论研究，研究了VGGNet在图像分类领域的作用。主要研究内容如下：

（1）通过阅读大量文献，了解了国内外图像分类的现状，研究了卷积神经网络的算法和结构，分析了其特点，重点介绍了VGGNet网络模型的各层次功能，原理和计算方法。

（2）以经典VGG-16卷积神经网络模型结构作为参考，设计了16层卷积神经网络结构。利用Pycharm平台进行编译开发，在Python中下载选择CIFAR-10数据集作为训练数据，基于TensorFlow深度学习框架对图像进行预处理，接着使用该网络对图像进行训练、测试和优化网络参数，最后利用分类器对特征图像分类，并分析了实验数据和实验结果。经过了约80000次的迭代过程，得到较高的图像分类准确度。

关键词:图像分类；卷积神经网络；VGGNet

Abstract

With the advent of the information age, images have gradually become an significant information carrier in our daily life. Through the effective classification of image data, it can ameliorate the efficiency of information retrieval, preparing for research in the fields of image recognition and machine learning. The deep learning technology represented by the convolutional neural network has good performance in the imaging field. The image data is trained through the feature extraction of the convolutional neural network.

As the foundation of the convolutional neural network, this article focuses on the effect of deep convolutional neural network VGGNet on classifying images. The main research contents are as follows:

(1) Through reading a large number of documents, we have learned the status of image classification at home and abroad, and studied the algorithm and structure of convolutional neural networks, the relevant theoretical characteristics of convolutional neural network are also expounded, and the functions, principles and calculation methods of each level of the VGGNet network model are mainly introduced.

(2) Using the classic VGG-16 convolutional neural network model structure as a reference, a neural network structure of 8 convolutional layers, 5 pooling layers, and 3 fully connected layers is designed. Cifar-10 data set is downloaded and selected as training data in Python, and the image is preprocessed by using TensorFlow deep learning framework, then we use the convolutional neural network to train the image, testing and optimizing the network parameters. Finally, the Softmax classifier is equipped to classify the feature images. After about 80,000 iterations, a high accuracy of image classification is obtained.

Key Words: Image classification; Convolutional neural network; VGGNet

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1研究背景以及意义 1

1.2国内外的研究现状 1

1.3本文的研究内容及章节安排 2

1.4本章小结 3

第2章 卷积神经网络原理 4

2.1传统神经网络介绍 4

2.1.1基本概念 4

2.1.2传统神经网络的结构 4

2.2卷积神经网络 5

2.2.1卷积层 6

2.2.2池化层 7

2.2.3全连接层 8

2.2.4分类器 9

2.3VGGNet介绍 9

2.3.1VGGNet结构 9

2.3.2VGGNet的特点 11

2.4本章小结 12

第3章 基于VGGNet的图像分类设计 13

3.1设计准备工作 13

3.1.1整体设计思路 13

3.1.2选择深度学习框架 14

3.1.3开发环境搭建 15

3.1.4数据集准备 17

3.2VGGNet网络实现 20

3.2.1图像预处理 20

3.2.2VGGNet模型设计 20

3.2.3指定迭代次数 24

3.2.4保存模型 25

3.3实验结果分析 26

3.3.1卷积图像数据分析 26

3.3.2训练模型分析 28

3.3.3训练结果分析 30

3.4本章小结 33

第4章 总结与展望 34

4.1本文总结 34

4.2展望 34

参考文献 36

致 谢 38

附 录 39

第1章 绪论

1.1研究背景以及意义

在近些年来，随着信息化时代的到来，人们的日常生活中不断丰富着五彩斑斓的图像信息。根据2019年的《第44次中国互联网络发展状况》显示^[1]，我国上网人数已达到8.54亿，互联网传递信息最直观的方式，就是以图像方式去呈现。可以生动直观地传递信息的图像，越来越受到人们的关注。因此，图像处理技术应运而生，计算机视觉相关的产业体系也在蓬勃发展。然而，通过手工计算识别图像的传统计算机视觉技术并不能在复杂场景中得到广泛使用^[2]。最近几年，基于卷积神经网络的深度学习技术已被广泛应用到计算机视觉领域中，并且衍生出了人工智能^[3]，机器学习^[4]等研究方向，研究人员在这些方向上都取得了巨大突破。

图像分类是通过对原始图像的特征提取，达到区分不同类别目标的图像处理方法，是计算机视觉技术重要研究方向^[5]。图像分类的流程主要包括了图像数据处理，图像特征增强，分类提取特征等^[6]。传统的图像分类方法对图像分类的精确度并不高，针对性不强，在提取过程中往往会提取到一些没有区分度的无效特征，进而影响到图像分类的准确性，甚至带来负面的影响。对各种图像进行准确的分类识别，是许多高级图像处理领域的基础。新兴的卷积神经网络（Convolutional Neural Network, CNN）^[7]图像分类方法，可以训练多个轮次，自主学习图像数据的特征，替代了传统神经网络人工提取目标特征的方法，并且在提取特征方面，卷积神经网络判别能力和泛化性能都得到了提高^[8]，进而可以更有效地区分图像特征。

目前，图像分类技术仍然存在一些问题，如训练数据集数据过多，训练效率较低；网络模型深度较深，模型拟合复杂度大；图像特征参数敏感，图像特征难以提取等。因此，如何使用更深层次网络，在更小规模的环境，更广泛领域，使用更为合理的优化方式，是目前图像分类领域的难题^[9]。