要約: このブログでは、深層ニューラルネットワークに基づく画像分類およびトレーニングシステムの MATLAB 実装コードを詳細に紹介します。これには、画像分類用のモデルを選択できる GUI インターフェイスとデータセットが含まれ、ニューラルネットワークのワンクリックトレーニングをサポートします。まず、GoogleNetとResNetに基づく画像分類の背景と意義、システム研究の現状と関連するアルゴリズムについて紹介します。次に、画像分類の選択、フォルダバッチ認識の選択、さまざまなネットワークモデルの置き換え、ワンクリックトレーニングモデルのインターフェイスを介したデータセットの選択などの機能を含む、システムのインターフェイスデモンストレーション効果を示しました。GUI インターフェイスの設計と実装に重点が置かれているため、ユーザーは画像分類とモデルトレーニングタスクを直感的かつ便利に完了できます。次に、トレーニングコード、トレーニングカーブ、モデル評価結果など、ニューラルネットワークトレーニングのプロセスを詳しく紹介します。4 番目のセクションでは、システム実装の 2 つの部分 (予測部分とトレーニング部分) について説明し、GUI インターフェイスと組み合わせた設計フレームワークと実装を提供します。最後に、ブログ全体の内容を要約し、画像分類技術の開発と進歩を促進するために、潜在的な改善の方向性と課題をいくつか提案します。

ディープニューラルネットワークに基づく画像分類およびトレーニングシステムのデモと紹介 (MATLAB GUI バージョン)

1 はじめに

このブログを書く当初の意図は、YOLOv5 ターゲット検出アルゴリズムの実装とアプリケーションを共有し、すべての人に実用的なガイドラインを提供することです。ファンの皆様、ご声援ありがとうございます。既製のソリューションを単に適用するのではなく、その背後にある原則を深く理解し、創造性を発揮し、探求し、試すことをお勧めします。今後の技術交流における相互の発展と発展を期待しています。このブログの内容はブロガーのオリジナルであり、本文中の関連する引用や参考文献には印をつけています. ブロガーのブログは、関連する研究者が案内する可能性があることを考慮して、可能な限り学術雑誌の形式で書かれています. . 参照が必要な場合は、これを引用できますブログの形式は次のとおりです。

[1] 無限の思考. ディープニューラルネットワークに基づく画像分類およびトレーニングシステム (MATLAB GUI バージョン、コード + グラフィックの詳細な説明) [J/OL]. CSDN, 2023.05. https://wuxian.blog.csdn.net/article /details/130469122.
[2] Suxu Wu. (2023, 5月). 深層ニューラルネットワークに基づく画像分類・学習システム (MATLAB GUI版, コードと詳細説明付き) [J/OL]. CSDN. https:// wuxian.blog.csdn.net/article/details/130469122

コンピュータビジョンの重要課題である画像分類は、深層学習技術の急速な発展とともに目覚ましい進歩を遂げています。畳み込みニューラルネットワーク (CNN) モデルは、GoogleNet (Szegedy et al., 2015) や ResNet (He et al., 2016) などの画像分類タスクで広く使用されています。GoogleNet の主な貢献は、提案されている Inception モジュールです。これは、マルチスケールの畳み込み演算によってネットワークの幅を広げます (Szegedy et al., 2015)。ResNet は残差接続を使用して、クロスレイヤー接続を介してディープネットワークの勾配消失問題を解決し、ネットワークを深くすることができます (He et al., 2016)。これらの畳み込みニューラルネットワークは、ImageNet (Deng et al., 2009) や CIFAR-10 (Krizhevsky, 2009) など、いくつかの有名なデータセットで驚くべき結果を達成しました。ImageNet は、20,000 を超えるカテゴリをカバーする 1,400 万を超える画像を含む大規模な視覚認識データセットです (Deng et al., 2009)。CIFAR-10 は、32x32 ピクセルの 60,000 個のカラー画像を含む小規模なデータセットで、10 のカテゴリに分類されています (Krizhevsky、2009 年)。

GoogleNet と ResNet に加えて、画像分類タスクで優れた結果を達成した他の畳み込みニューラルネットワークモデルがあります。たとえば、VGGNet (Simonyan と Zisserman、2014 年) は、より小さな畳み込みカーネル (3x3) とより深いネットワーク構造を使用することで、分類のパフォーマンスを向上させます。DenseNet (Huang et al., 2017) は、各レイヤーの特徴マップを後続のすべてのレイヤーに接続して、情報の流れを改善する高密度接続を導入します。畳み込みニューラルネットワークの内部特性をよりよく理解するために、Zeiler と Fergus (2014) は、各層の特徴マップを視覚化するデコンボリューションネットワーク (DeconvNet) を提案しました。さらに、Hinton et al. (2012) はオーバーフィッティングを防ぐために Dropout メソッドを提案し、Ioffe and Szegedy (2015) はトレーニングプロセスを高速化するために Batch Normalization テクノロジを提案しました。

このブログの目的は、ディープニューラルネットワークに基づく画像分類およびトレーニングシステムを紹介することです。このシステムは、MATLAB を使用して実装され、ユーザーがさまざまなネットワークモデルやデータセットを試すための使いやすいグラフィカルユーザーインターフェイスを提供します。このブログの投稿は次のとおりです。

GoogleNet や ResNet などの複数の畳み込みニューラルネットワークモデルをサポートする MATLAB ベースの画像分類およびトレーニングシステムを提供します。
このシステムは使いやすいグラフィカルユーザーインターフェイスを提供し、画像分類の選択、バッチ認識用のフォルダーの選択、さまざまなネットワークモデルの変更などの機能をサポートします。
システムは、インターフェースを介してトレーニング用のデータセットを選択し、トレーニング曲線とモデル評価結果を提供できます。

2. システムインターフェースのデモンストレーション効果

このセクションでは、システムのグラフィカルユーザーインターフェイス (GUI) とその機能について説明します。このインターフェイスを使用すると、ユーザーは次のアクションを実行できます。

(1) 画像分類の選択: ユーザーが画像を選択すると、システムは事前にトレーニングされた畳み込みニューラルネットワークモデルに従って画像を分類し、予測結果を表示します。

ここに画像の説明を挿入

(2) バッチ認識用のフォルダーを選択: ユーザーがフォルダーを選択すると、システムはフォルダー内のすべての画像を分類し、予測が完了した後に結果のリストと視覚的表示を生成します。

ここに画像の説明を挿入

(3) 異なるネットワークモデルの変更: ユーザーは、GoogleNet や ResNet などの事前トレーニング済みのモデルを切り替えて、異なるモデルで実験を行うことができます。

ここに画像の説明を挿入

インターフェイスを介してデータセットを選択することによるワンクリックトレーニングモデル: ユーザーはカスタムデータセットフォルダーを選択でき、システムは新しい畳み込みニューラルネットワークモデルを自動的にトレーニングし、トレーニングプロセス中に損失と精度の曲線を表示します。

ここに画像の説明を挿入

3. ニューラルネットワークのトレーニング

このセクションでは、MATLAB を使用して、ResNet-50 に基づく画像分類モデルのトレーニングプロセスを実装する方法について説明します。読者がモデルのトレーニングプロセスをよりよく理解できるように、各コードセグメントの役割をここで詳しく説明します。

まず、MATLAB の環境変数のクリア、結果の再現性を確保するための乱数ジェネレーターのシードの設定、現在のスクリプトが配置されているディレクトリの取得、作業ディレクトリをこのディレクトリに切り替えるなど、いくつかの準備作業を行います。これらのアクションは、さまざまなコンピューターでコードをスムーズに実行できるようにするのに役立ちます。

clear
clc
rng default  % 保证结果运行一致
mpath = matlab.desktop.editor.getActiveFilename; % 程序所在目录
[pathstr,~]=fileparts(mpath);
cd(pathstr); % 自动切换至程序所在目录

次に、データセットをロードする必要があります。まず、画像データが存在するディレクトリを指定します。次に、関数 checkDataset を使用してデータセットをチェックし、データセットにグレースケールまたはバイナリイメージがないことを確認します。これらの画像が見つかった場合、それらはデータセットから削除されます。以降のトレーニングおよび分類タスクでは、各サブフォルダーの名前を画像のラベルとして使用します。

imgDir = fullfile("./10_ObjectCategories/");
file_list = checkDataset(imgDir);  % 执行数据集检查
if isempty(file_list)
    disp('未检查到灰度图或二值图')
else
    disp('检查到灰度图或二值图, 以下文件已被删除')
    disp(file_list)
end
dataSet = imageDatastore(imgDir, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
trainSetDetail = countEachLabel(dataSet) % 训练数据

ここに画像の説明を挿入

データセットが読み込まれた後、トレーニングセット、検証セット、およびテストセットに分割する必要があります。ここでは無作為に分割する方法を採用しており、データの 60% をトレーニングセットとして使用し、データの 20% を検証セットとして使用し、残りの 20% をテストセットとして使用します。このようにして、モデルを適切にトレーニングし、さまざまな種類のデータで効果的に評価できるようにすることができます。

[imdsTrain,imdsValidation, imdsTest] = splitEachLabel(dataSet, 0.6, 0.2, 'randomize');  % 划分数据集

トレーニングデータを視覚化するために、16 個のトレーニングサンプルをランダムに選択し、それらを 1 つの画像に表示します。これは、データセットの一般的な状況と画像サンプルの特性を理解するのに役立ちます。

numTrainImages = numel(imdsTrain.Labels);
idx = randperm(numTrainImages,16);
figure
for i = 1:16
    subplot(4,4,i)
    I = readimage(imdsTrain,idx(i));
    imshow(I)
    title(imdsTrain.Labels(idx(i)))
end

ここに画像の説明を挿入

次に、事前トレーニング済みの ResNet-50 モデルをロードする必要があります。ResNet-50 は、大規模なデータセットで事前トレーニングされた 50 層の深い畳み込みニューラルネットワークです。事前トレーニング済みのモデルを使用することで、他のデータセットで学習した機能を活用して、トレーニングプロセスを高速化し、モデルのパフォーマンスを向上させることができます。

net = resnet50;
layers = net.Layers
inputSize = net.Layers(1).InputSize  % 网络输入尺寸

事前トレーニング済みのモデルを読み込んだ後、分類タスクに合わせて少し変更する必要があります。まず、データセット内のカテゴリ数に対応するために、モデル内の全結合レイヤーを置き換える必要があります。次に、モデルの分類レイヤーを、タスクに対応するように置き換える必要があります。これを実現するために、ここでは新しい全結合層と分類層が使用されます。

lgraph = layerGraph(net); 
newLearnableLayer = fullyConnectedLayer(numClasses, ...
    'Name','new_fc', ...
    'WeightLearnRateFactor',10, ...
    'BiasLearnRateFactor',10);

lgraph = replaceLayer(lgraph,'fc1000',newLearnableLayer);
newClassLayer = classificationLayer('Name','new_classoutput');
lgraph = replaceLayer(lgraph,'ClassificationLayer_fc1000',newClassLayer);

上記のコードを実行して、ネットワーク層を次のように出力します。

layers = 
  具有以下层的 177×1 Layer 数组:

     1   'input_1'                      图像输入         224×224×3 图像: 'zerocenter' 归一化
     2   'conv1'                        卷积             64 7×7×3 卷积: 步幅 [2  2]，填充 [3  3  3  3]
     3   'bn_conv1'                     批量归一化        批量归一化: 64 个通道
     4   'activation_1_relu'            ReLU            ReLU
     5   'max_pooling2d_1'              最大池化         3×3 最大池化: 步幅 [2  2]，填充 [1  1  1  1]
     6   'res2a_branch2a'               卷积             64 1×1×64 卷积: 步幅 [1  1]，填充 [0  0  0  0]
     7   'bn2a_branch2a'                批量归一化        批量归一化: 64 个通道
     8   'activation_2_relu'            ReLU            ReLU
...

モデルの一般化能力を向上させるために、トレーニングプロセス中にデータ拡張技術を使用します。データ拡張では、トレーニングイメージをランダムに変換することで (反転、変換など)、より多くのトレーニングサンプルを生成できます。これにより、さまざまな視点、スケール、形状の画像に直面したときに、モデルの一般化能力が向上します。この例では、ランダムな水平反転とランダムな平行移動がデータ拡張に使用されています。さらに、グレースケール画像も処理する必要があります。事前トレーニング済みの ResNet-50 モデルは入力がカラー画像であることを想定しているため、モデルで正しく処理できるように、グレースケール画像を疑似カラー画像に変換する必要があります。

pixelRange = [-30 30];
imageAugmenter = imageDataAugmenter( ...
    'RandXReflection',true, ...
    'RandXTranslation',pixelRange, ...
    'RandYTranslation',pixelRange);
augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain, ...
    'Data

データの前処理とモデルの変更が完了したら、トレーニングオプションを設定する必要があります。ここでは、確率的勾配降下法 (SGDM) がオプティマイザーとして選択され、バッチサイズは 32 に設定され、反復の最大数は 2、初期学習率は 1e-4 です。また、学習データをシャッフルする順序、検証セットの指定、検証頻度などのパラメータをラウンドごとに設定します。最後に、モデルのトレーニングプロセス中のパフォーマンスの変化を簡単に観察できるように、トレーニングの進行状況曲線をリアルタイムで描画することを選択します。

options = trainingOptions('sgdm', ...
    'MiniBatchSize',32, ...
    'MaxEpochs',2, ...
    'InitialLearnRate',1e-4, ...
    'Shuffle','every-epoch', ...
    'ValidationData',augimdsValidation, ...
    'ValidationFrequency',3, ...
    'Verbose', true, ...
    'Plots','training-progress');

次に、変更されたモデルとトレーニングオプションを使用して、トレーニングセットでトレーニングします。トレーニングプロセス中、モデルは検証セットを使用して、設定された検証頻度に従ってパフォーマンスを評価します。これは、モデルが目に見えないデータをどの程度一般化するかを理解するのに役立ちます。

model = trainNetwork(augimdsTrain,lgraph,options);

トレーニングのために上記のコードを実行すると、トレーニングプロセスの出力は次のようになります。

在单 GPU 上训练。
正在初始化输入数据归一化。
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜　　轮　　｜　　迭代　　｜　　　　经过的时间　　　　　｜　　小批量准确度　　｜　　验证准确度　　｜　　小批量损失　　｜　　验证损失　　｜　　基础学习率　　｜
｜　　　　　｜　　　　　　｜　　（ｈｈ：ｍｍ：ｓｓ）　　｜　　　　　　　　　　｜　　　　　　　　　｜　　　　　　　　　｜　　　　　　　　｜　　　　　　　　　｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜　　　１　｜　　　　１　｜　　　　　００：００：０３　｜　　　　９．３８％　｜　　　８．８２％　｜　　２．３５３７　｜　２．３７６６　｜　１．００００ｅ－０４　｜
｜　　　１　｜　　　　３　｜　　　　　００：００：０６　｜　　　　９．３８％　｜　　２１．２４％　｜　　２．２３４８　｜　２．０９０８　｜　１．００００ｅ－０４　｜
｜　　　１　｜　　　　６　｜　　　　　００：００：０９　｜　　　４３．７５％　｜　　５３．５１％　｜　　１．６５６６　｜　１．６０１６　｜　１．００００ｅ－０４　｜
｜　　　１　｜　　　　９　｜　　　　　００：００：１１　｜　　　６２．５０％　｜　　６７．１３％　｜　　１．３２５７　｜　１．２３０２　｜　１．００００ｅ－０４　｜
｜　　　１　｜　　　１２　｜　　　　　００：００：１４　｜　　　６８．７５％　｜　　７１．９４％　｜　　１．１０２２　｜　０．９９８０　｜　１．００００ｅ－０４　｜
｜　　　１　｜　　　１５　｜　　　　　００：００：１７　｜　　　８７．５０％　｜　　７８．５６％　｜　　０．５４６２　｜　０．８４３６　｜　１．００００ｅ－０４　｜
...

ここに画像の説明を挿入

トレーニングが完了したら、後で使用および分析できるように、トレーニング済みのモデルをファイルに保存します。

save('ResNet_10_classes.mat', 'model');

モデルのパフォーマンスを評価するために、分類にテストセットが使用されます。モデルによって予測された結果を真のラベルと比較することで、テストセットでのモデルの精度を計算できます。これは、モデルのパフォーマンスを測定するための重要なメトリックです。

[YPred,scores] = classify(model, augimdsTest);
YTest = imdsTest.Labels;
accuracy = mean(YPred == YTest)

モデルの予測性能をより直感的に示すために、4 つのテストサンプルがランダムに選択され、1 つの画像に表示されます。これは、モデルがさまざまな種類の画像をどの程度正確に予測するかを視覚化するのに役立ちます。

idx = randperm(numel(imdsTest.Files),4);
figure
for i = 1:4
    subplot(2,2,i)
    I = readimage(imdsTest,idx(i));
    imshow(I)
    label = YPred(idx(i));
    title(string(label));
end

ここに画像の説明を挿入

最後に、混同行列をプロットして、さまざまなクラスでのモデルのパフォーマンスを示します。混同行列は、さまざまなカテゴリでのモデルの正しい分類と誤分類を視覚的に示すことができる、一般的に使用される視覚化方法です。混同行列を使用して、モデルのパフォーマンスが優れているカテゴリと、改善の余地があるカテゴリをさらに分析できます。

figure
plotconfusion(imdsTest.Labels, YPred);  % 绘制混淆矩阵图

ここに画像の説明を挿入

4. システムの実装

このセクションでは、MATLAB で画像分類およびトレーニングシステムの設計を実現する方法を紹介します: システムは 2 つの部分に分割され、最初の部分は予測部分であり、画像の選択、フォルダーの分類、およびモデルの置換を担当します。データセットを選択し、トレーニングパラメータを設定し、ワンクリックでモデルをトレーニングして評価します。システムの設計フレームワークと実装方法は、GUI インターフェイスと組み合わせてデモンストレーションされます。

この画像分類およびトレーニングシステムでは、技術的なロジックダイアグラムを使用して、システム全体の構造とワークフローを要約できます。以下は、技術ロジックダイアグラムのテキストによる説明です。

ユーザーインターフェイス (GUI): ユーザーインターフェイスはシステム全体の中核部分であり、ユーザーの入力と指示を受け取る役割を果たします。ユーザーインターフェイスは、予測セクションとトレーニングセクションの 2 つの主要なセクションで構成されます。予測部分では、ユーザーは分類用の写真、フォルダー、モデルを選択できます。トレーニング部分では、ユーザーはデータセットの選択、トレーニングパラメーターの設定、モデルのトレーニングをワンクリックで行うことができます。
データの前処理: ユーザーがデータセットを選択すると、システムはデータの拡張やグレースケール画像の変換など、データの前処理を行います。このステップにより、入力データがモデルの要件を満たしていることが保証され、モデルの一般化機能が強化されます。
モデルのトレーニング: ユーザーがトレーニングパラメーターを設定すると、システムは 3 番目のセクションで紹介した方法を使用してモデルをトレーニングします。トレーニングプロセス中、システムはリアルタイムでトレーニング進行曲線を描画し、ユーザーがモデルのトレーニングステータスを理解できるようにします。
モデルの評価: トレーニングが完了すると、システムはモデルのパフォーマンスを自動的に評価し、結果をユーザーに表示します。これは、モデルが目に見えないデータをどの程度一般化するかをユーザーが理解するのに役立ちます。
画像分類: [予測] セクションで、ユーザーは分類する画像、フォルダー、およびモデルを選択できます。システムは、ユーザーの選択に従って対応するモデルをロードし、フォルダー内の選択された写真または画像を分類します。

ここに画像の説明を挿入

5. まとめと展望

このブログでは、ディープニューラルネットワーク (MATLAB 実装) に基づく画像分類およびトレーニングシステムを紹介します。はじめに、GoogleNetとResNetに基づく画像分類の背景と意義、システム研究の現状と関連するアルゴリズムを紹介します。次に、画像分類の選択、フォルダーバッチ認識の選択、異なるネットワークモデルの置き換え、ワンクリックトレーニングモデルのインターフェイスを介したデータセットの選択などの機能を含む、システムのインターフェイスデモンストレーション効果が示されました。セクション III では、トレーニングコード、トレーニング曲線、モデル評価結果など、ニューラルネットワークトレーニングのプロセスを詳しく紹介します。4 番目のセクションでは、システム実装の 2 つの部分について説明します。予測部分とトレーニング部分であり、GUI インターフェイスと組み合わせて、設計フレームワークと実装が提供されます。

このブログでは、ディープニューラルネットワーク (MATLAB 実装) に基づく画像分類およびトレーニングシステムを詳細に紹介しましたが、改善の方向性と課題の可能性がまだいくつかあります。以下は、将来の研究と改善の可能性です。

より多くの事前トレーニング済みモデル: 現在のシステムでは、GoogleNet と ResNet が主に事前トレーニング済みモデルとして使用されています。システムの一般化能力と適応性を向上させるために、VGGNet や DenseNet などのより多くの事前トレーニングモデルを将来的に検討することができます。
トレーニング効率の向上: データ強化やバッチトレーニングなどの機能が実装されていますが、トレーニングプロセスにはまだ時間がかかる場合があります。将来的には、より効率的な最適化アルゴリズムと GPU などのハードウェアアクセラレーションデバイスを使用して、トレーニングの効率を向上させることができます。
より多くのデータセットのサポート: 現在、当社のシステムは、ユーザーがトレーニング用に固定形式のデータセットを選択することのみをサポートしています。将来的には、ユーザーがより柔軟にトレーニングできるように、より多くの種類のデータセットのサポートを検討できます。
リアルタイム認識とオンライン学習: システムをより実用的にするために、リアルタイム認識とオンライン学習機能は、将来のバージョンで考慮することができます。これにより、ユーザーはシステムを使用していつでもどこでも画像を分類し、新しいデータに基づいてモデルを継続的に更新できます。
より使いやすいインターフェイス: クリーンでシンプルなユーザーインターフェイスが実装されていますが、まだ改善の余地があります。将来のバージョンでは、ユーザーインターフェイスのさらなる最適化を検討して、より直感的で使いやすいものにすることができます。

これらの改善と拡張により、ディープニューラルネットワークに基づく画像分類およびトレーニングシステムは、より効率的で便利な画像分類およびトレーニングサービスをより多くのユーザーグループに提供できます。このブログが、関連分野の研究者や開発者にインスピレーションとリファレンスを提供し、画像分類技術の開発と進歩を共同で促進できることを願っています。システムの継続的な改善と最適化を通じて, 同様のシステムが実際のアプリケーションでより大きな役割を果たします. 例えば, 医療診断, 工業検査, インテリジェントセキュリティの分野では, 画像分類技術は診断精度の向上, 生産コストの削減に役立ちます.セキュリティレベルを向上させます。計算能力の向上とアルゴリズムの継続的な改善により。

ダウンロードリンク

ブログ投稿に含まれる完全で完全なプログラムファイル (下の図に示すように、テスト画像、ビデオ、 mlx、mlappファイルなどを含む) を入手したい場合は、それらがパッケージ化され、ブロガーの Bread Multi にアップロードされています。 -platform. 参照用のブログとビデオを参照してください. 関連するすべてのファイルを同時にパッケージ化し、クリックして実行します. 完全なファイルのスクリーンショットは次のとおりです:

ここに画像の説明を挿入

次の図に示すように、フォルダーの下のリソースが表示されます。

ここに画像の説明を挿入

注: このコードは MATLAB R2022a を使用して開発されており、テスト後に正常に実行できます. 実行中のインターフェイスのメインプログラムは ImageClassifier.mlapp であり、テストイメージスクリプトは testimage.py を実行でき、トレーニングモデルスクリプトは trainResNet.mlx を実行できます. プログラムを円滑に実行するために、MATLAB2022a を使用して実行し、「追加機能マネージャー」(MATLAB の上部メニューバー -> ホーム -> 追加機能 -> 追加機能の管理) に次のツールを追加してください。

ここに画像の説明を挿入

完全なリソースには、データセットとトレーニングコードが含まれています. 環境の構成と、インターフェイスでテキスト、写真、ロゴなどを変更する方法については、ビデオを参照してください. プロジェクトの完全なファイルをダウンロードするには、参照ブログを参照してください.投稿するか、ビデオの紹介を参照してください: ➷➷ ➷

参照ブログ投稿: https://zhuanlan.zhihu.com/p/626515642

参考動画デモンストレーション：https://www.bilibili.com/video/BV1Fh4y1J7BD/

6. まとめと展望

ブロガーの能力には限りがあるため、ブログ投稿に記載されている方法をテストしたとしても、抜けがあることは避けられません。次の改訂版がより完璧で厳密な方法ですべての人に提示できるように、間違いを熱心に指摘していただければ幸いです。同時に、それを達成するためのより良い方法があれば教えてください。

参考文献

[1] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … & Rabinovich, A. (2015). 畳み込みでさらに深くなります。コンピュータビジョンとパターン認識に関する IEEE 会議の議事録 (pp. 1-9)。

[2] He, K., Zhang, X., Ren, S., & Sun, J. (2016). 画像認識のための深層残差学習。コンピュータビジョンとパターン認識に関する IEEE 会議の議事録 (pp. 770-778)。

[3] Deng, J.、Dong, W.、Socher, R.、Li, LJ、Li, K.、および Fei-Fei, L. (2009 年 6 月)。Imagenet: 大規模な階層画像データベース。2009 年、コンピュータービジョンとパターン認識に関する IEEE カンファレンス (pp. 248-255)。IEEE。

[4] クリジェフスキー、A. (2009). 小さな画像から複数層の特徴を学習する (博士論文、トロント大学)。

[5] Simonyan, K. & Zisserman, A. (2014). 大規模な画像認識のための非常に深い畳み込みネットワーク。arXiv プレプリント arXiv:1409.1556.

[6] Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, KQ (2017). 密に接続された畳み込みネットワーク。コンピュータビジョンとパターン認識に関する IEEE 会議の議事録 (pp. 4700-4708)。

[7] Zeiler, MD, & Fergus, R. (2014). 畳み込みネットワークの視覚化と理解。コンピュータビジョンに関するヨーロッパの会議 (pp. 818-833)。スプリンガー、チャム。

[8] Hinton, GE, Srivastava, N., Krizhevsky, A., Sutskever, I., & Salakhutdinov, RR (2012). 特徴検出器の共適応を防止することによるニューラルネットワークの改善。arXiv プレプリント arXiv:1207.0580.

[9] Ioffe, S. & Szegedy, C. (2015). バッチ正規化: 内部共変量シフトを減らすことにより、ディープネットワークトレーニングを加速します。arXiv プレプリント arXiv:1502.03167.

ディープ ニューラル ネットワークに基づく画像分類およびトレーニング システム (MATLAB GUI バージョン、コード + グラフィックの詳細な説明)

記事ディレクトリ

1 はじめに

2. システムインターフェースのデモンストレーション効果

3. ニューラル ネットワークのトレーニング

4. システムの実装

5. まとめと展望

ダウンロードリンク

6. まとめと展望

参考文献

おすすめ

ディープニューラルネットワークに基づく画像分類およびトレーニングシステム (MATLAB GUI バージョン、コード + グラフィックの詳細な説明)

3. ニューラルネットワークのトレーニング