基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用

胡剛+荊磊+朱磊

摘 要：隨著互聯(lián)網(wǎng)和移動(dòng)互聯(lián)技術(shù)的迅速普及和發(fā)展，與網(wǎng)絡(luò)有關(guān)的版權(quán)和著作權(quán)糾紛呈現(xiàn)逐年遞增的態(tài)勢(shì)。隨著人們版權(quán)意識(shí)的逐漸提高，對(duì)版權(quán)歸屬、侵權(quán)后的確認(rèn)等問(wèn)題也提出了更高的要求，對(duì)于圖像的版權(quán)保護(hù)問(wèn)題也成為了研究的熱點(diǎn)。圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)主要用來(lái)識(shí)別圖像的特征，可以抵抗圖像的位移、縮放和其他形式扭曲不變形的變換。圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，避免了顯式的特征提取，而是隱式的從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)?；跈C(jī)器學(xué)習(xí)的圖像特征提取技術(shù)，可以更好地適應(yīng)當(dāng)今海量數(shù)據(jù)爆發(fā)性增長(zhǎng)的實(shí)際環(huán)境，可以為實(shí)際圖像的版權(quán)確認(rèn)提供充分的依據(jù)。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；圖像特征提取技術(shù)；圖像版權(quán)保護(hù)；應(yīng)用

1 背景

互聯(lián)網(wǎng)技術(shù)的快速普及和發(fā)展給版權(quán)保護(hù)的傳統(tǒng)手段帶來(lái)了前所未有的沖擊和挑戰(zhàn)。版權(quán)作品在數(shù)字技術(shù)和網(wǎng)絡(luò)技術(shù)普及的大環(huán)境下，使用戶可以在任意媒介上進(jìn)行復(fù)制，并不受任何限制，甚至在版權(quán)作品被侵權(quán)后都很難查清侵權(quán)作品的真正源頭。

隨著人們版權(quán)意識(shí)的逐漸提高，對(duì)版權(quán)歸屬、侵權(quán)后的確認(rèn)等問(wèn)題也提出了更高的要求，對(duì)于圖像的版權(quán)保護(hù)問(wèn)題也成為了研究的熱點(diǎn)。由于圖像相比其他版權(quán)作品，具有更容易傳播、更難確認(rèn)版權(quán)歸屬等方面的特點(diǎn)，所以，對(duì)圖像的版權(quán)保護(hù)技術(shù)研究是本領(lǐng)域的重要研究?jī)?nèi)容。當(dāng)圖像的版權(quán)所有人需要證明圖像的版權(quán)歸屬問(wèn)題時(shí)，也就是圖像作品的確權(quán)問(wèn)題時(shí)，我們可以通過(guò)提取圖像的特征來(lái)明確版權(quán)的歸屬問(wèn)題，以維護(hù)圖像版權(quán)作品的正當(dāng)權(quán)益。

1.1 圖像特征的定義

圖像特征是計(jì)算機(jī)圖形學(xué)中的概念，它是指通過(guò)計(jì)算機(jī)編程實(shí)現(xiàn)特定的算法來(lái)獲取圖像中的某些關(guān)鍵信息，來(lái)決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。圖像特征提取的結(jié)果是把一張圖像分為不同的部分或子集，這些不同的部分或子集可以使孤立的點(diǎn)、一段連續(xù)的曲線或者一片連續(xù)的區(qū)域。到今天為止，圖像特征也沒有一個(gè)通用和準(zhǔn)確的定義。圖像特征的精確定義通常由應(yīng)用的場(chǎng)景來(lái)決定。圖像特征是圖像數(shù)字化后的一個(gè)有趣的部分，它是計(jì)算機(jī)圖像分析算法的起點(diǎn)，圖像特征提取的一個(gè)最重要的特性就是可重復(fù)性，即在相同的應(yīng)用場(chǎng)景下，圖像所提取的特征也應(yīng)該是相同的。

要提取圖像的特征，必須明確以下數(shù)字圖像的相關(guān)定義：

1.1.1 圖像的邊緣。圖像的邊緣是圖像邊緣點(diǎn)的像素集合，圖像邊緣的形狀由不固定的像素組成，可以是任意形狀，甚至有的圖像邊緣是相交叉的。在計(jì)算機(jī)圖形學(xué)中一般被定義為圖像中擁有最大的梯度的像素點(diǎn)所組成的集合，可以把圖像邊緣看成是一對(duì)圖形結(jié)構(gòu)。

1.1.2 圖像的角。圖像的角是圖像中的局部的二維結(jié)構(gòu)，是圖像邊緣的突然轉(zhuǎn)向，現(xiàn)在也可以看成是圖像梯度中的高度曲率。

1.1.3 圖像區(qū)域。圖像的區(qū)域是一個(gè)圖像中的一個(gè)區(qū)域性的結(jié)構(gòu)。這個(gè)結(jié)構(gòu)的組成可以是僅由一個(gè)像素點(diǎn)來(lái)構(gòu)成。因此圖像區(qū)域的檢測(cè)也可以來(lái)檢測(cè)圖像的角。

1.1.4 圖像的特征提取。圖像的特征被計(jì)算機(jī)編程實(shí)現(xiàn)的檢測(cè)算法偵測(cè)到后，它可以被計(jì)算機(jī)算法從圖像中提取出來(lái)，提取結(jié)果被稱為圖像特征描述。

1.2 圖像特征的分類

常用的圖像特征包括顏色特征、紋理特征和空間關(guān)系特征等。

1.2.1 顏色特征。圖像的顏色特征是基于圖像色彩的一種圖像全局特征，描述的是整幅圖像或圖像中的部分區(qū)域所對(duì)應(yīng)的景物的一種表面特征。圖像的顏色特征也就是基于圖像的像素點(diǎn)的特征。由于顏色色彩對(duì)圖像或者圖像部分區(qū)域的方向和大小等變化十分不敏感，因此圖像的顏色特征并不能很直觀地描述出圖像中具體對(duì)象的局部特征。在實(shí)際應(yīng)用場(chǎng)景中，基于圖像顏色特征進(jìn)行查詢時(shí)，查詢的結(jié)果也不會(huì)很精確。顏色直方圖是常用的表達(dá)圖像顏色特征的方法和技術(shù)，顏色直方圖可以不受圖像的旋轉(zhuǎn)和平移等變化的影響，還不會(huì)受圖像尺度大小變化的影響，但是不能具體描述圖像顏色色彩的空間分布信息。

1.2.2 紋理特征。圖像的紋理特征也是圖像的一種全局特征。圖像的紋理特征是圖像的表面特性，不能完全反映圖像的本質(zhì)屬性。圖像的紋理特征不是基于圖像像素點(diǎn)的特征，它是在包含多個(gè)圖像像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算以后得出的結(jié)果。圖像的紋理特征在圖像匹配過(guò)程中，不會(huì)由于圖像的局部偏差而出現(xiàn)無(wú)法匹配成功的情況。圖像紋理特征對(duì)旋轉(zhuǎn)和噪聲具有很強(qiáng)的魯棒性，但對(duì)于圖像分辨率的變化可能會(huì)出現(xiàn)較大的偏差。圖像紋理特征的常用提取方法是灰度共生矩陣的分析方法，它從圖像的能量譜函數(shù)提取圖像的紋理特征，提取出圖像的紋理的粗細(xì)度及方向性等圖像的特征參數(shù)。

1.2.3 空間關(guān)系特征。圖像空間關(guān)系是圖像中分割出來(lái)的多個(gè)目標(biāo)之間的相互空間位置關(guān)系，這些關(guān)系可以是連接、重疊和包含關(guān)系等。圖像的空間關(guān)系特征可加強(qiáng)對(duì)圖像內(nèi)容的描述區(qū)分能力。圖像的空間關(guān)系特征的特性決定了它對(duì)圖像的旋轉(zhuǎn)、尺度變化等攻擊的魯棒性較差。通過(guò)以上分析，為了圖像版權(quán)的準(zhǔn)確識(shí)別需要的圖像特征提取，需要對(duì)圖像的多種特征進(jìn)行綜合提取、分析。隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，這些提取與分析的計(jì)算數(shù)據(jù)量也面臨海量的增長(zhǎng)，這也為圖像的版權(quán)保護(hù)提出了極大的挑戰(zhàn)。為了應(yīng)對(duì)這種挑戰(zhàn)，需要采用更先進(jìn)的基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)方法來(lái)快速準(zhǔn)確地提取、分析圖像的特征，以明確圖像的版權(quán)。

1.3 大數(shù)據(jù)時(shí)代

信息技術(shù)的快速發(fā)展，使各個(gè)產(chǎn)業(yè)的數(shù)據(jù)量呈現(xiàn)爆炸式增長(zhǎng)，數(shù)據(jù)以前所未有的速度進(jìn)行積累。因此，“大數(shù)據(jù)”的概念也得到了越來(lái)越多的關(guān)注。隨著大數(shù)據(jù)時(shí)代的到來(lái)，大數(shù)據(jù)的相關(guān)技術(shù)已在很多行業(yè)被得到廣泛應(yīng)用——無(wú)論是從大規(guī)模的數(shù)據(jù)中心到商業(yè)智能、數(shù)據(jù)挖掘的應(yīng)用，還是搜索引擎、推薦系統(tǒng)、語(yǔ)音識(shí)別等都得到了快速的發(fā)展。大數(shù)據(jù)技術(shù)涉及到很多方面的內(nèi)容，包括了大規(guī)模的并行計(jì)算、云技術(shù)等多個(gè)領(lǐng)域。如何利用先進(jìn)的大數(shù)據(jù)技術(shù)為版權(quán)行業(yè)的快速有序的發(fā)展提供支撐也成為當(dāng)前的熱點(diǎn)課題。目前，以圖像、音視頻為代表的內(nèi)容產(chǎn)業(yè)得到了迅猛發(fā)展，圖像的版權(quán)問(wèn)題也日趨得到關(guān)注，傳統(tǒng)的圖像版權(quán)保護(hù)技術(shù)已不能適應(yīng)當(dāng)前內(nèi)容產(chǎn)業(yè)的高速發(fā)展，無(wú)論是圖像的版權(quán)確權(quán)的準(zhǔn)確性還是及時(shí)性都不能提供足夠的保障，必須有能適應(yīng)當(dāng)前的大數(shù)據(jù)時(shí)代的新技術(shù)進(jìn)行支撐。

1.4 機(jī)器學(xué)習(xí)

隨著大數(shù)據(jù)時(shí)代的來(lái)臨，大數(shù)據(jù)領(lǐng)域的各種算法和技術(shù)也得到了快速的發(fā)展和應(yīng)用。機(jī)器學(xué)習(xí)作為大數(shù)據(jù)技術(shù)的一個(gè)技術(shù)領(lǐng)域，將在今后的大數(shù)據(jù)處理與分析中發(fā)揮越來(lái)越重要的作用。在基于大數(shù)據(jù)的具體應(yīng)用開發(fā)中，通過(guò)機(jī)器學(xué)習(xí)算法，從海量數(shù)據(jù)中挖掘出有意義的數(shù)據(jù)模式，從而達(dá)到發(fā)現(xiàn)數(shù)據(jù)價(jià)值的目的，實(shí)現(xiàn)數(shù)據(jù)變現(xiàn)。

機(jī)器學(xué)習(xí)的目的是從已有的數(shù)據(jù)中獲得數(shù)據(jù)模型，并通過(guò)獲得的模型對(duì)未來(lái)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，也可通過(guò)未來(lái)的數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，從而更加適應(yīng)應(yīng)用的場(chǎng)景。

2 基于機(jī)器學(xué)習(xí)的圖像特征提取

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是近年來(lái)迅猛發(fā)展并引起廣泛重視的一種基于圖像特征的高效識(shí)別方法。卷積神經(jīng)網(wǎng)絡(luò)避免了對(duì)圖像的復(fù)雜前期預(yù)處理過(guò)程，可以直接輸入原始圖像，并且可以避免耗時(shí)的誤差反向傳播，因而在圖像的版權(quán)保護(hù)領(lǐng)域可以得到更廣泛的應(yīng)用。

2.1.1 卷積。卷積是數(shù)學(xué)分析中的一個(gè)重要運(yùn)算。在圖像的版權(quán)保護(hù)中的特征領(lǐng)域，只需要對(duì)圖像用一個(gè)卷積核進(jìn)行卷積運(yùn)算，實(shí)際上也是圖像的一個(gè)濾波過(guò)程。

卷積的數(shù)學(xué)表示為：f（x，y）？莓w（x，y）=∑（s=-a）∧a∑（t=-b）∧b？主w（s，t）f（x-s，y-t）？著

其中I=f（x，y）代表一個(gè)圖像，f（x，y）是圖像I上x行y列上點(diǎn)的灰度值。而w（x，y）是卷積核，而a和b定義了卷積核即w（x，y）的大小。卷積提供了圖像的權(quán)重模板，而這個(gè)模板在圖像上滑動(dòng)，將中心與圖像中的每一個(gè)像素對(duì)齊，然后對(duì)這個(gè)模板所覆蓋的像素進(jìn)行加權(quán)，結(jié)果做為卷積核在圖像上的響應(yīng)。卷積是一種數(shù)學(xué)的線性運(yùn)算，卷積核的大小定義了圖像中任何一個(gè)像素點(diǎn)參與運(yùn)算的域的大小，并且權(quán)重越大，其所貢獻(xiàn)的能力也就越大。

2.1.2 卷積神經(jīng)網(wǎng)絡(luò)的分層。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩層，包括特征提取層和特征映射層。（1）特征提取層。在卷積神經(jīng)網(wǎng)絡(luò)中，每個(gè)神經(jīng)元的輸入都與前一層的局部區(qū)域相連，通過(guò)提取該局部域的特征作為特征提取層。通過(guò)這種被提取的特征關(guān)系，可以將這種局部與特征間的位置關(guān)系確定下來(lái)。（2）特征映射層。卷積神經(jīng)網(wǎng)絡(luò)中的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射代表一個(gè)平面，每一個(gè)平面上所有的神經(jīng)元的權(quán)值都是相同的。卷積神經(jīng)網(wǎng)絡(luò)的特征映射具有位移不變性。卷積神經(jīng)網(wǎng)絡(luò)中的每一個(gè)卷積層都緊跟著一個(gè)計(jì)算層，計(jì)算層用來(lái)求局部平均和二次提取結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)的這種特有的特征提取結(jié)構(gòu)減少了所提取特征的分辨率。

2.2 局部感知

在圖像特征提取中，圖像被表示為像素的向量。在卷積神經(jīng)網(wǎng)絡(luò)中，必須先減少參數(shù)從而加快提取和識(shí)別的速度。卷積神經(jīng)網(wǎng)絡(luò)可以通過(guò)兩種方式來(lái)減少參數(shù)數(shù)目，局部感知是第一種。人們對(duì)世界的認(rèn)知是從局部到全局的，機(jī)器學(xué)習(xí)的核心是模仿人類觀察和思考的過(guò)程。因此卷積神經(jīng)網(wǎng)絡(luò)也可以通過(guò)這個(gè)從局部到全局的過(guò)程來(lái)實(shí)現(xiàn)減少參數(shù)。圖像的空間域的聯(lián)系呈現(xiàn)出局部區(qū)域的像素聯(lián)系更為緊密，而距離較遠(yuǎn)的像素之間的相關(guān)性則更弱一些。因此卷積神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元沒有必要對(duì)全局圖像進(jìn)行感知，只要通過(guò)對(duì)局部進(jìn)行感知，然后再將各個(gè)局部的感知信息進(jìn)行綜合就可以得到全局的信息。

2.3 參數(shù)共享

上文提到，為了加快圖像特征的提取和識(shí)別速度，卷積神經(jīng)網(wǎng)絡(luò)可通過(guò)兩種方式來(lái)減少參數(shù)數(shù)目，第二級(jí)就是參數(shù)共享。在局部感知的過(guò)程中，可能仍然存在參數(shù)過(guò)多的情況，這就需要參數(shù)共享，也就是權(quán)值共享。卷積操作也就是圖像特征提取的方式，這種方式是具有位置無(wú)關(guān)性的，即圖像的一部分統(tǒng)計(jì)特性與其他部分是一樣的。當(dāng)一個(gè)大分辨率的圖像通過(guò)隨機(jī)抽取的方式選取了一小塊圖像作為樣本，并從這個(gè)樣本中提取特征，可以將這個(gè)特征作為一個(gè)探測(cè)器應(yīng)用到這個(gè)大分辨率圖像的任意地方中去，并將這個(gè)特征與大分辨率圖像作卷積，便可以在大分辨率圖像的任意一個(gè)位置獲取特征的激活值。

2.4 池化

當(dāng)通過(guò)卷積運(yùn)算獲得了圖像的特征以后，為了實(shí)現(xiàn)快速識(shí)別圖像，還需要對(duì)特征進(jìn)行分類，可以用已經(jīng)提取的特征去訓(xùn)練已經(jīng)建立的分類器模型。但是由于多卷積核的存在，特征分類計(jì)算的計(jì)算量會(huì)特別龐大，而且容易出現(xiàn)過(guò)擬合現(xiàn)象。上文提到，通過(guò)卷積后的特征具有圖像的位置無(wú)關(guān)性，也就是在某一個(gè)區(qū)域的圖像特征可能在另一個(gè)區(qū)域同樣適用。因此，可以通過(guò)對(duì)不同位置的特征進(jìn)行聚合統(tǒng)計(jì)的方法來(lái)描述一個(gè)高分辨率的圖像。這種聚合的操作就是池化的過(guò)程。在卷積神經(jīng)網(wǎng)絡(luò)中，由于不需要對(duì)圖像進(jìn)行預(yù)處理，而在每次對(duì)圖像進(jìn)行卷積以后，都可以通過(guò)一個(gè)下采樣的過(guò)程，來(lái)減少圖像的規(guī)模。

2.5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)是建立在多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上的，每一層的所有節(jié)點(diǎn)按照連接線的權(quán)重向前計(jì)算，作為下一層節(jié)點(diǎn)的輸出。而每一層的每一條連接線都彼此不同，下一層的每一個(gè)節(jié)點(diǎn)的值與前一層的所有節(jié)點(diǎn)都相關(guān)。在圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)中采用五層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分為一個(gè)輸入層、一個(gè)輸出層、兩個(gè)特征提取層和一個(gè)包含全連接的隱藏層。輸入層：輸入層獲取特征向量作為輸入。一般的圖像經(jīng)過(guò)人為的特征挑選，通過(guò)特征函數(shù)的計(jì)算來(lái)獲取特征向量，作為圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)的輸入。在輸入層的所有節(jié)點(diǎn)向前沒有任何連接線。第一特征提取層：第一特征提取層由多個(gè)卷積模板輸入層的輸入圖像做卷積計(jì)算。在這一層中，我們計(jì)算偏置權(quán)重。第一特征提取層并不是所有的節(jié)點(diǎn)都與輸入層的所有節(jié)點(diǎn)相連接，而是只與鄰域的點(diǎn)進(jìn)行連接。每一個(gè)連接對(duì)象有兩個(gè)成員，一個(gè)成員是權(quán)重的索引，另一個(gè)成員是上一層節(jié)點(diǎn)的索引。第二特征提取層：第二特征提取層由特征圖像組成。每個(gè)特征圖像的每一個(gè)點(diǎn)都由第一特征提取層的每一個(gè)卷積模板所對(duì)應(yīng)的特征圖像的鄰域點(diǎn)在一起加權(quán)組成。隱藏層：隱藏層與一般的卷積神經(jīng)網(wǎng)絡(luò)相似，在該層進(jìn)行無(wú)監(jiān)督的特征學(xué)習(xí)。隱藏層的節(jié)點(diǎn)與上一層的所有節(jié)點(diǎn)相連接。輸入出層：輸出層的節(jié)點(diǎn)數(shù)量與特征的分類數(shù)目有關(guān)。輸出層的每一個(gè)輸出節(jié)點(diǎn)與隱藏層的所有節(jié)點(diǎn)相連接。

2.6 訓(xùn)練與識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)的本質(zhì)是一種輸入到輸出的映射，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，而不需要任何的輸入與輸出之間的數(shù)學(xué)表達(dá)。只需要對(duì)已有的建立好的模型進(jìn)行訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)就可以獲得輸入與輸出之間的映射能力，進(jìn)行圖像的特征提取。圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值更新策略與傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)相一致，訓(xùn)練算法包括四步，四步分為正向傳播和逆向傳播兩個(gè)階段。

正向傳播階段：

（1）從樣本集獲取樣本，并輸入到卷積神經(jīng)網(wǎng)絡(luò)中；

（2）計(jì)算相應(yīng)的輸出。

在正向傳播階段，信息是從輸入層經(jīng)過(guò)不同層的變換，最后通過(guò)輸出層輸出，這個(gè)階段是卷積神經(jīng)網(wǎng)絡(luò)在完成訓(xùn)練正常運(yùn)行和執(zhí)行時(shí)的過(guò)程。

逆向傳播階段：

（1）計(jì)算實(shí)際輸出與理想值之間的差；

（2）按照極小誤差的方法反向調(diào)整權(quán)重矩陣。

隨著大量的訓(xùn)練與學(xué)習(xí)，圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)可以逐漸將獲得準(zhǔn)確的圖像特征。

3 結(jié)束語(yǔ)

圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)主要用來(lái)識(shí)別圖像的特征，可以抵抗圖像的位移、縮放和其他形式扭曲不變形的變換。圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，避免了顯式的特征提取，而是隱式的從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)。另外，因?yàn)橥惶卣饔成涿嫔系纳窠?jīng)元權(quán)值相同，所以圖像特征提取的卷積神經(jīng)網(wǎng)絡(luò)可以進(jìn)行各種學(xué)習(xí)來(lái)不停地完善提取特征的結(jié)果，使特征提取的結(jié)果更符合版權(quán)保護(hù)的實(shí)際需要。而且卷積神經(jīng)網(wǎng)絡(luò)通過(guò)權(quán)值共享極大的降低了網(wǎng)絡(luò)的復(fù)雜性，權(quán)值共享的方式也避免了特征提取和分類過(guò)程中需要重建的數(shù)據(jù)復(fù)雜度。

通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像特征提取有以下的優(yōu)點(diǎn)：（1）輸入的圖像可以與卷積神經(jīng)網(wǎng)絡(luò)更好的吻合；（2）特征的提取與特征的分類可以同時(shí)進(jìn)行，并可以同時(shí)在訓(xùn)練中產(chǎn)生；（3）采用權(quán)重共享可以減少卷積神經(jīng)網(wǎng)絡(luò)的實(shí)際訓(xùn)練參數(shù)，使網(wǎng)絡(luò)結(jié)構(gòu)更簡(jiǎn)單，適應(yīng)性更強(qiáng)。

基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)可以更好地適應(yīng)海量數(shù)據(jù)爆發(fā)性增長(zhǎng)的當(dāng)今實(shí)際環(huán)境，可以為實(shí)際圖像版權(quán)的版權(quán)確認(rèn)提供充分的依據(jù)。將來(lái)更可通過(guò)對(duì)訓(xùn)練模型的微調(diào)實(shí)現(xiàn)流式數(shù)據(jù)的支持，實(shí)現(xiàn)對(duì)流媒體（音視頻）的特征提取與分類，為音視頻的版權(quán)確認(rèn)提供可選的技術(shù)手段。

參考文獻(xiàn)

[1]王力，王小華，王莉.神經(jīng)網(wǎng)絡(luò)在車牌識(shí)別中的應(yīng)用[J].微型機(jī)與應(yīng)用，2011，03.

[2]黃成.基于決策樹分類的數(shù)字圖像數(shù)據(jù)挖掘探究[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版），2010，11.

[3]王如杰.基于特征融合的醫(yī)學(xué)圖像檢索[D].南京理工大學(xué)，2013.

[4]王錦超.跨媒體檢索技術(shù)的研究[D].山東農(nóng)業(yè)大學(xué)，2013.

[5]湯嘉立，左健民，黃陳蓉.基于SVM預(yù)分類學(xué)習(xí)的圖像超分辨率重建算法[J].計(jì)算機(jī)應(yīng)用研究，2012，8.