基于卷积神经网络的图像分类算法综述

​​论文百度网盘下载链接​​，提取码6666

关键词：卷积神经网络，图像分类，对抗式生成网络，胶囊网络

0.论文摘要

说明了本论文干了下面几件事：

1. 介绍了图像分类问题，卷积神经网络，给出了截至2018年12月份，所采用的主流算法以及其发展历史
2. 分析了主流算法的特点，训练过程中遇到的问题以及解决办法
3. 介绍了对抗式生成网络和胶囊网络

1.引言

说明了了下传统机器学习办法有K-最邻近算法，支持向量机等。这些算法原理是一些对图像特征（纹理，颜色，形状等）的分类算法，原理简单，效果良好，但在一些复杂分类问题（差异很小，干扰严重）上表现很差。这时候我们需要深度学习，卷积神经网络来解决问题。最后吹了一波深度学习多么多么好。

2.卷积神经网络

这部分内容对超小白来说不友好，首先要理解基本的全连接神经网络是什么？我查了csdn上，觉得这篇写的不错的，不懂的可以先去理解​​全连接神经网络​​​ 相比全连接神经网络，卷积神经网络加入了卷积操作和池化操作，相应地加入了卷积层和池化层。
​​卷积操作​​​​池化操作​​ 如果只看论文，懂的还是懂，不懂的还是不懂。所以我又找了两篇不错的博客。

3.1常用的数据集介绍

4. ​​MNIST手写数据集​​.
5. ​​CIFAR-10​​.
6. CIFAR-100.（相比CIFAR-10分成了100类）
7. ​​Image-NET​​.
8. ​​Fashion-Mnist​​.（我自己加的）

3.2经典的卷积神经网络模型

1. ​​LeNet模型​​：诞生于1994，最早的卷积神经网络之一，开山鼻祖。
2. ​​AlexNet模型​​：2012年ILSVRC大赛冠军网络，准确率大大甩开了第二名，引爆了深度学习热潮。
3. ​​GoogLeNet模型​​：2014年ILSVRC大赛冠军网络，特点是引入了Inception模块。
4. ​​VGG模型​​：2014年ILSVRC大赛亚军网络，与冠军网络相差无几。特点是：①使用了多个小卷积核代替大卷积核，大大减少了运算，加大了模型深度。②提出了随机截取的方法进行了数据增强。
5. ​​ResNet模型​​：2015年ILSVRC大赛冠军网络，特点是提出了residual结构
7. ​​SENet模型​​：2017年ILSVRC大赛冠军网络，特点是提出了SE模块。

3.3卷积神经网络模型训练注意事项与技巧

1. ​​过拟合和欠拟合​​​，​​解决办法​​
2. ​​梯度消失和梯度爆炸​​​，​​解决办法​​

3.4生成式对抗神经网络和胶囊网络

1. ​​生成式对抗神经网络​​（Generative adversarial nets,GAN）：由生成器网络和判别器网络两部分构成。生成器网络用于生成假图片，判别器网络用于分辨该图片是真是假。该网络一定程度解决了需要大量标记样本的问题，完成了半监督学习。
2. ​​胶囊网络​​（Capsules network）：定义了胶囊网络，解决了cnn对空间关系辨识度差的问题。

4.实验比较

①对比了CNN（卷积神经网络）,MLP(全连接神经网络)，KNN(K-最邻近算法)

②对比经典卷积神经网络训练中的损失值

③对比经典卷积神经网络训练的速度

④经典卷积神经网络在cifar-10上错误率对比

⑤生成式对抗神经网络和胶囊网络在MNIST上准确率

5.结论

革命尚未成功，同志还须努力。

喜欢这个论文陪读的话麻烦帮忙点个赞！Thank you very very much！