深度學(xué)習(xí)在圖像識別中的應(yīng)用

夏長林

摘要：隨著我國高新技術(shù)的快速發(fā)展，人工智能領(lǐng)域也得到推動，而圖像識別是人工智能領(lǐng)域的一個重要課題，其主要包括分類識別和特征提取兩大模塊;同時深度學(xué)習(xí)作為人工智能的重要研究方向，近年來取得了突飛猛進(jìn)的發(fā)展，它廣泛應(yīng)用在圖像識別、語音識別等眾多領(lǐng)域并獲得了巨大成功。該文就深度學(xué)習(xí)在圖像識別中的應(yīng)用進(jìn)行深入分析，主要從人臉識別、遙感圖像分類等諸多方面進(jìn)行闡述，其目的是為相關(guān)從業(yè)人員提供幫助，以此來推動人工智能發(fā)展大潮中圖像識別領(lǐng)域的發(fā)展。

關(guān)鍵詞：深度學(xué)習(xí);圖像識別;應(yīng)用

中圖分類號：TP3 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）33-0185-02

所謂深度學(xué)習(xí)主要是指通過構(gòu)建深層級別的神經(jīng)網(wǎng)絡(luò)來模擬人腦進(jìn)行分析，或者是模擬人腦進(jìn)行學(xué)習(xí)以及解釋相關(guān)數(shù)據(jù)信息。而圖像識別是指通過對圖像進(jìn)行處理、分析及理解，進(jìn)而實(shí)現(xiàn)識別各種不同模式的目標(biāo)和對象的目的。如今深度學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于圖像識別領(lǐng)域中，同時也獲得了令人矚目的成績和效果。為此筆者在本文中就深度學(xué)習(xí)的概念以及結(jié)構(gòu)優(yōu)勢進(jìn)行探討，同時也對深度學(xué)習(xí)在圖像識別中的應(yīng)用做出研究，希望可以為某些從業(yè)人員提供借鑒和參考依據(jù)。

1深度學(xué)習(xí)的概述

深度學(xué)習(xí)實(shí)質(zhì)上是一種機(jī)器學(xué)習(xí)的過程，也是人工智能領(lǐng)域中一個新的研究方向。深度學(xué)習(xí)的最終目的是學(xué)習(xí)樣本的內(nèi)在規(guī)律和表示層次，通過對所獲得的文字、聲音、圖像等數(shù)據(jù)信息進(jìn)行解釋，可以實(shí)現(xiàn)機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，從而使機(jī)器可以對文字、聲音、圖像等數(shù)據(jù)信息進(jìn)行識別。同時深度學(xué)習(xí)還是一個相對復(fù)雜的機(jī)器學(xué)習(xí)算法，其已經(jīng)超過了先前的相關(guān)技術(shù)，尤其是在語音和圖像識別等領(lǐng)域已經(jīng)取得了不錯的效果。將深度學(xué)習(xí)應(yīng)用于圖像識別領(lǐng)域，可以有效解決很多復(fù)雜模式識別的難題，可以說深度學(xué)習(xí)有力推動了圖像識別技術(shù)的快速發(fā)展和進(jìn)步。

2深度學(xué)習(xí)的深層結(jié)構(gòu)優(yōu)勢

深度學(xué)習(xí)的概念其實(shí)是來源于人工智能神經(jīng)網(wǎng)絡(luò)方面的研究，它在圖像識別系統(tǒng)中的應(yīng)用十分廣泛，它屬于一種包含多層感知器的結(jié)構(gòu)，這也是它最大的優(yōu)勢。相關(guān)研究表明，如果針對特定任務(wù)的模型深度不夠，就會增加所需要的計算單元，因而也就需要更多的參數(shù)和訓(xùn)練樣本。此外，深度學(xué)習(xí)是基于大數(shù)據(jù)的自主學(xué)習(xí)過程，并不是通過手工設(shè)計來獲得相關(guān)數(shù)據(jù)，即是通過組合低層來獲得更加直觀的表示方式，從而實(shí)現(xiàn)機(jī)器能夠代替人類學(xué)習(xí)，其最終的目的是實(shí)現(xiàn)模擬人腦來進(jìn)行一系列的學(xué)習(xí)活動，相當(dāng)于機(jī)器模仿人類的一切學(xué)習(xí)活動。由于深度學(xué)習(xí)從大數(shù)據(jù)自主學(xué)習(xí)可以獲得良好的特征，因而可以起到提高圖像識別系統(tǒng)性能的作用。

3聯(lián)合深度學(xué)習(xí)

早些年，一些計算機(jī)視覺研究人員將深度學(xué)習(xí)模型視為黑盒子，顯然這是不全面的觀點(diǎn)和看法。為此，相關(guān)研究人員提出了聯(lián)合深度學(xué)習(xí)的概念。首先，傳統(tǒng)的計算機(jī)視覺系統(tǒng)和深度學(xué)習(xí)模型之間往往存在關(guān)聯(lián)性，因此相關(guān)研究者利用二者的關(guān)聯(lián)性可以進(jìn)一步構(gòu)建出新的深度模型。其次，深度學(xué)習(xí)模型中的各個層與視覺系統(tǒng)中的若干模塊之間也是可以建立對應(yīng)關(guān)系的，倘若現(xiàn)有的深度學(xué)習(xí)模型與視覺系統(tǒng)之間存在這種對應(yīng)的缺失，則相關(guān)研究者可以在此啟發(fā)下構(gòu)建新的深度模型。

4深度學(xué)習(xí)在圖像識別中的應(yīng)用

（1）人臉識別

深度學(xué)習(xí)在圖像識別中應(yīng)用最多的就是人臉識別，而人臉識別最大的挑戰(zhàn)是如何將諸多因素引發(fā)的變化區(qū)分開來。能夠引發(fā)圖像識別變化的因素有很多，比如，光線、表情、身份等諸多因素，由這些因素產(chǎn)生的變化在分布的性質(zhì)上往往屬于非線性，同時這些變化也存在著極為復(fù)雜且多變的特征，所以很多時候借助傳統(tǒng)線性模型難以將其區(qū)分開來。而深度學(xué)習(xí)之所以被廣泛應(yīng)用于人臉識別，其最終目的就是為了實(shí)現(xiàn)多層非線性的變換，因?yàn)橥ㄟ^多層的非線性變換就能獲取新的特征，進(jìn)而有效區(qū)分由諸多因素引起的相關(guān)變化。

（2）遙感圖像分類

遙感圖像中包含著大量的數(shù)據(jù)信息，這些具有價值意義的數(shù)據(jù)被廣泛應(yīng)用于各行各業(yè)。遙感圖像數(shù)據(jù)具有兩大特征，一是由過于龐大的圖像數(shù)據(jù)所導(dǎo)致的信息冗余，二是由較低的圖像分辨率所導(dǎo)致的不同信息間的相互融合。因此，對遙感圖像分類較為困難，傳統(tǒng)的遙感圖像分類方法難以將有價值的信息準(zhǔn)確分離出來。如果將深度學(xué)習(xí)技術(shù)應(yīng)用于遙感圖像分類中，通過建立合適的深度學(xué)習(xí)模型，同時結(jié)合使用特定的優(yōu)化算法，則可以取得很好的分類效果，這已成為當(dāng)前遙感圖像分類技術(shù)的發(fā)展趨勢。

（3）ImageNet分類

深度學(xué)習(xí)在ImageNet分類中的應(yīng)用也十分廣泛，很多時候傳統(tǒng)的計算機(jī)視覺方法所獲得的數(shù)據(jù)往往存在較大誤差，在測試集上錯誤率也是比較高的，而利用深度學(xué)習(xí)可以有效解決這些問題。如今ImageNet分類在深度學(xué)習(xí)中也變得越發(fā)重要，對于這種網(wǎng)絡(luò)結(jié)構(gòu)我們還可以稱之為AlexNet，相比傳統(tǒng)意義上的卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)具有以下優(yōu)勢：第一，AlexNet主要是采取了Dropout的訓(xùn)練模式來進(jìn)行分類，將一些神經(jīng)元?dú)w置到零以此來實(shí)現(xiàn)模仿人類神經(jīng)元的目的，雖然這一訓(xùn)練的過程變得緩慢，但是可以得到更加魯棒的網(wǎng)絡(luò)模型L6）;第二，AlexNet在一定程度上可以實(shí)現(xiàn)降低計算復(fù)雜度的目的，還可以得到具有稀疏性質(zhì)的神經(jīng)元輸出。

（4）交通圖像識別

隨著經(jīng)濟(jì)社會的快速發(fā)展，圖像識別技術(shù)在交通領(lǐng)域中的應(yīng)用也變得越來越廣。交通圖像識別技術(shù)通常被應(yīng)用于汽車的車牌識別、車道偏離預(yù)警以及交通標(biāo)識等諸多方面，為人們的日常出行提供了許多便利。同時交通圖像識別技術(shù)還被大量應(yīng)用于智能停車、收費(fèi)管理、交通控制等方面。近年來，相關(guān)研究人員嘗試將深度學(xué)習(xí)技術(shù)運(yùn)用到更深層次的交通圖像識別領(lǐng)域中，比如，將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于交通標(biāo)志檢測領(lǐng)域，可以得到具有較強(qiáng)時效性和較高精確度的交通標(biāo)志檢測算法?；谏疃葘W(xué)習(xí)的交通圖像識別技術(shù)，為交通圖像識別領(lǐng)域的探索與創(chuàng)新提供了新的方法。

（5）字符圖像識別

字符圖像識別在郵政信件、電子簽名和支票等諸多領(lǐng)域被廣泛使用，也取得了較好的效果。但是早些年的字符圖像識別技術(shù)弊端在于，嚴(yán)重依賴人工對字符的預(yù)處理，顯然這樣的識別可靠性和識別效率較低。深度學(xué)習(xí)技術(shù)興起以后，一些研究人員開始利用深度學(xué)習(xí)技術(shù)來研究字符圖像識別，并在MNIST數(shù)據(jù)集上獲得了不錯的成績和效果，將字符圖像識別的錯誤率明顯降低，使得機(jī)器與人類觀察者之間的差距越來越小。

（6）視頻圖像分析

雖然深度學(xué)習(xí)在視頻圖像分析領(lǐng)域中也得到一些應(yīng)用，但是就目前應(yīng)用的情況來看依然處于起步階段。利用深度學(xué)習(xí)來描述視頻的靜態(tài)圖像特征是相對容易的，相應(yīng)的深度學(xué)習(xí)模型可以通過在ImageNet上學(xué)習(xí)獲得。而在深度學(xué)習(xí)中如何描述視頻的動態(tài)特征則是一個難點(diǎn)。因?yàn)樵趥鹘y(tǒng)的視覺研究方法中，往往是通過光流估計、動態(tài)紋理等進(jìn)行動態(tài)特征的描述，然而深度模型卻難以體現(xiàn)出這些動態(tài)特征的描述信息。解決此問題有三個方向：第一個方向是將視頻圖像視為三維圖像，并直接將其應(yīng)用于卷積網(wǎng)絡(luò)中，但是該方向的問題在于沒有考慮到空間維和時間維的差異性;第二個方向是進(jìn)行預(yù)處理，計算光流場或其他動態(tài)特征的空間場分布，并以之作為卷積網(wǎng)絡(luò)的一個輸入通道;第三個方向是通過長短時記憶網(wǎng)絡(luò)捕捉長期依賴性，從而實(shí)現(xiàn)對視頻圖像中復(fù)雜動態(tài)的有效建模。

5結(jié)束語

綜上所述，深度學(xué)習(xí)如今已經(jīng)被廣泛應(yīng)用于各行各業(yè)，也取得了令人矚目的成績和效果，尤其是在圖像識別領(lǐng)域中的應(yīng)用更是效果顯著。深度學(xué)習(xí)主要是指學(xué)習(xí)樣本的內(nèi)在規(guī)律以及表示層次，而它最終的目標(biāo)主要是為了讓機(jī)器能夠像人一樣具有分析和學(xué)習(xí)的能力，能夠精準(zhǔn)地對文字、圖像和聲音等數(shù)據(jù)進(jìn)行識別，同時深度學(xué)習(xí)還是一個相對復(fù)雜的機(jī)器學(xué)習(xí)算法。因此本文就深度學(xué)習(xí)在圖像識別中的應(yīng)用進(jìn)行研究，主要分析了它的深層結(jié)構(gòu)優(yōu)勢以及應(yīng)用范圍，最終的目的是為了推動圖像識別領(lǐng)域快速發(fā)展。