基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤

李福進(jìn) 李軍 宮海洋

摘要：針對(duì)粒子濾波目標(biāo)跟蹤過(guò)程中初始化和權(quán)值退化的數(shù)據(jù)處理情況，在粒子濾波框架下提出一種基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤算法。以仿生學(xué)為基礎(chǔ)，在目標(biāo)跟蹤過(guò)程中引入稀疏子空間和卷積神經(jīng)網(wǎng)絡(luò)。首先，利用稀疏子空間模型篩選出與目標(biāo)狀態(tài)相似度較高的候選區(qū)域進(jìn)行后續(xù)跟蹤處理，減少冗余計(jì)算并降低跟蹤的復(fù)雜性;然后，將稀疏子空間輸出用作卷積神經(jīng)網(wǎng)絡(luò)的輸入，并利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像數(shù)據(jù)處理的優(yōu)點(diǎn)進(jìn)行目標(biāo)跟蹤的數(shù)據(jù)處理;最后，通過(guò)對(duì)目標(biāo)數(shù)據(jù)的不斷更新來(lái)減少目標(biāo)表觀變化的影響。實(shí)驗(yàn)表明，該算法能夠更好地處理目標(biāo)跟蹤中的目標(biāo)遮擋、運(yùn)動(dòng)模糊、光流與尺度變化，提高算法的準(zhǔn)確性和數(shù)據(jù)處理能力。

關(guān)鍵詞：稀疏子空間;卷積神經(jīng)網(wǎng)絡(luò);粒子濾波;目標(biāo)跟蹤;相異系數(shù)矩陣

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2019）07-0122-06

收稿日期：2018-05-16;收到修改稿日期：2018-07-08

基金項(xiàng)目：國(guó)家自然科學(xué)基金（61203343）;河北省自然科學(xué)基金（E2014209106）;河北省高等學(xué)?？茖W(xué)技術(shù)研究青年基金項(xiàng)目（QN2016102，QN2016105）

作者簡(jiǎn)介：李福進(jìn)（1957-），男，河北唐山市人，教授，碩士生導(dǎo)師，博士，主要研究方向是智能控制與智能儀表。

0 引言

目標(biāo)跟蹤是用來(lái)估計(jì)視頻中所標(biāo)記的目標(biāo)狀態(tài)過(guò)程。以圖像處理技術(shù)為核心，在計(jì)算機(jī)視覺(jué)領(lǐng)域中目標(biāo)檢測(cè)、目標(biāo)跟蹤、目標(biāo)識(shí)別、三維重建、姿態(tài)估計(jì)等一直是非常熱門(mén)的研究方向。2013年，Wang等[1-2]針對(duì)目標(biāo)跟蹤準(zhǔn)確性問(wèn)題提出LDSs算法，通過(guò)聚類(lèi)和噪音壓制的一系列方法，在UCF體育和電影數(shù)據(jù)方面有很大提高。2014年，張才千等[3]提出了基于目標(biāo)跟蹤的粒子群粒子濾波算法，通過(guò)粒子群實(shí)現(xiàn)粒子優(yōu)化使大部分粒子移動(dòng)到密集分布區(qū)域，通過(guò)實(shí)驗(yàn)驗(yàn)證了粒子的濾波能力有明顯提高。2014年，許倫輝等[4]提出一種改進(jìn)粒子濾波對(duì)人物跟蹤的應(yīng)用，在粒子濾波的基礎(chǔ)上提出融合權(quán)值繁衍和遺傳算法相結(jié)合，使得算法以相對(duì)少的計(jì)算量得到更高的準(zhǔn)確度，較好地解決粒子濾波算法中初始化與重采樣過(guò)程帶來(lái)的誤差問(wèn)題。2015年，許婉君等[5]提出顯著性模型和稀疏編碼結(jié)合來(lái)檢測(cè)遙感圖像，將特征矩陣作為訓(xùn)練對(duì)象來(lái)形成模型，并構(gòu)建GBVS，SR，SDS，F(xiàn)T，WSCR顯著圖。當(dāng)前比較流行的LRSP算法[6]在2016年由陳蕓等提出，改進(jìn)了傳統(tǒng)算法，提高對(duì)大尺度目標(biāo)進(jìn)行跟蹤的準(zhǔn)確性。

針對(duì)目標(biāo)跟蹤的魯棒性和準(zhǔn)確性，本文提出一種基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤算法研究，仿照人眼視覺(jué)神經(jīng)系統(tǒng)[7]，能快速有效地定位重要的目標(biāo)并進(jìn)行分析，通過(guò)聚類(lèi)映射數(shù)據(jù)并學(xué)習(xí)分類(lèi)器，粒子濾波用于實(shí)現(xiàn)在線(xiàn)跟蹤目標(biāo)。在實(shí)驗(yàn)環(huán)節(jié)，將本文所提出的跟蹤算法與相關(guān)的跟蹤算法的跟蹤性能對(duì)比，通過(guò)定量和定性分析，驗(yàn)證算法的有效性。

1 粒子的稀疏子空間表示

人類(lèi)視覺(jué)的認(rèn)知能力非常強(qiáng)，其注意機(jī)制可以在惡劣的環(huán)境下準(zhǔn)確識(shí)別和跟蹤目標(biāo)。人類(lèi)視覺(jué)系統(tǒng)研究的主要目的是讓計(jì)算機(jī)模擬人的思維活動(dòng)以?xún)?yōu)化算法提高精度與效率，在復(fù)雜環(huán)境中做出一定的決策。有研究[8-9]表明，人類(lèi)視覺(jué)被某個(gè)物體所吸引時(shí)，只有少量的神經(jīng)元被激活，大多數(shù)神經(jīng)元?jiǎng)t處于睡眠狀態(tài)。這表明當(dāng)觀察目標(biāo)時(shí)，可用少量的神經(jīng)元來(lái)對(duì)目標(biāo)進(jìn)行表示。稀疏表示受人類(lèi)視覺(jué)系統(tǒng)的工作特點(diǎn)啟發(fā)，是信號(hào)處理領(lǐng)域的熱點(diǎn)之一，廣泛應(yīng)用于模式識(shí)別[10-11]。

稀疏即是將高維空間數(shù)據(jù)映射到低維空間中，已知源數(shù)據(jù)X={x₁，x₂，…，x_M}和目標(biāo)數(shù)據(jù)Y={y₁，y₂，…，y_N），利用度量標(biāo)準(zhǔn)計(jì)算源數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的相似性。假設(shè)D為一相異矩陣，D=[d₁，d₂，…，d_M]^T，D里的每個(gè)列向量均為相異系數(shù)矩陣，即：式中M、N分別為源數(shù)據(jù)和目標(biāo)數(shù)據(jù)中元素的個(gè)數(shù);d_i，j示x_i與y_j相似程度，用歐氏距離計(jì)算，d_i，j值越小說(shuō)明相似程度越高，在實(shí)際中的跟蹤效果越好。稀疏子空間建模為：假設(shè)存在一個(gè)概率矩陣Z∈R^M×NZ中的元素z_i，j與元素d_i，j一一對(duì)應(yīng)，用相異性矩陣D求解概率矩陣Z，通過(guò)以下優(yōu)化問(wèn)題求解：式中‖.‖_p表示‖l‖_p范數(shù);I（t）表示指示函數(shù)，當(dāng)t=0時(shí)，函數(shù)值為0，否則值為1;λ>0，為平衡前兩項(xiàng)約束的參數(shù);ω_j>0，是懲罰因子;e_j∈[0，1]，表示y_j是奇異元素的概率。公式（2）可以通過(guò)乘數(shù)交替方向算法求解。當(dāng)源數(shù)據(jù)中的x_i對(duì)應(yīng)的系數(shù)矢量z_i滿(mǎn)足max（z_i）>μ‖z_i‖₁，則x_i為子集合中的元素，文中μ取值為0.2。目標(biāo)數(shù)據(jù)Y中y_j可以用子集合中的元素稀疏表示：

δ_yj=argmaxz_i，j，i∈{l₁，…，l_C}（3）式中δ_yj∈[1，…K]表示目標(biāo)數(shù)據(jù)Y中y_j的類(lèi)別，K為聚類(lèi)中心數(shù)量;C為子集合中元素的數(shù)量。子集合的類(lèi)別定義為系數(shù)矢量的最大值所對(duì)應(yīng)的目標(biāo)數(shù)據(jù)的類(lèi)別。通過(guò)式（2）和式（3）可將候選區(qū)域聚類(lèi)同時(shí)將目標(biāo)數(shù)據(jù)分配類(lèi)別，使得后續(xù)處理中冗余計(jì)算降低并減少計(jì)算的復(fù)雜度。

2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）[12-13]是由貓的視覺(jué)系統(tǒng)得到啟發(fā)發(fā)展而來(lái)，只有部分鄰層神經(jīng)元鏈處于興奮狀態(tài)，神經(jīng)元的感知區(qū)域只感知局部而不是整個(gè)圖像。CNN具有3個(gè)重要的思想架構(gòu)分別為：局部區(qū)域感知，權(quán)重共享，空間或時(shí)間上的采樣。

局部區(qū)域感知就是提取局部特征并得到某特征的空間分布。CNN的每一層通過(guò)多個(gè)特征map構(gòu)成，每一層都能得到不同層級(jí)的表達(dá)式。權(quán)值策略的應(yīng)用降低預(yù)訓(xùn)練參數(shù)，模型抗干擾能力和泛化作用進(jìn)一步提高。采樣的目的主要是混淆特征的具體位置，對(duì)變形和扭曲的圖片進(jìn)行識(shí)別。

卷積神經(jīng)網(wǎng)絡(luò)由卷積層提取出局部基本特征，由池化層進(jìn)行組合構(gòu)成更加抽象的特征，最后產(chǎn)生可以對(duì)圖片對(duì)象直觀描述的特征。圖1為卷積神經(jīng)網(wǎng)絡(luò)的示例圖。

將卷積網(wǎng)絡(luò)學(xué)習(xí)得到的第1層特征輸出，如圖2所示，圖中包括不同朝向與不同頻率的邊緣特征與顏色特征。

卷積層經(jīng)過(guò)池化過(guò)程處理進(jìn)入池化層，池化層計(jì)算窗口無(wú)重疊，Toolbox計(jì)算池化用卷積（conv2（A，K，'valid'））來(lái)實(shí)現(xiàn)，卷積核大小為2X2，元素為原來(lái)1/4，刪除計(jì)算結(jié)果中的重疊部分，如圖3所示。

通過(guò)全連接層，將卷積后的圖片轉(zhuǎn)化成向量形式，每個(gè)像素作為神經(jīng)元節(jié)點(diǎn)。卷積層和池化層對(duì)圖像數(shù)據(jù)的交替處理，大大提高了多維數(shù)據(jù)的處理能力。

3 粒子濾波框架

在本節(jié)中，基于上述外觀模型，在粒子濾波的框架下，提出了一種基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)跟蹤算法?；舅枷胧菍⒒贑NN的稀疏子空間外觀模型有效地融入到粒子濾波框架中，該框架通過(guò)Monte Carlo采樣實(shí)現(xiàn)遞歸貝葉斯濾波。粒子濾波器主要是通過(guò)隨機(jī)采樣得到相關(guān)權(quán)重的粒子表示后驗(yàn)密度，粒子的權(quán)重決定了粒子的重要性。

粒子濾波器有兩個(gè)主要部分：1）狀態(tài)模型：根據(jù)以前的粒子生成候選樣本;2）觀察模型：計(jì)算候選樣本的權(quán)值。給定對(duì)象對(duì)應(yīng)時(shí)間的所有觀測(cè)值y_1：t=[y₁，…，y_t]，基于粒子濾波器的跟蹤系統(tǒng)的目的是估計(jì)p（x_t|y_1：t），它是目標(biāo)狀態(tài)的后驗(yàn)密度，用貝葉斯理論后驗(yàn)概率p（x_t|y_1：t）可以表示為

P（x_t|y_1：t）∝p（y_t|x_t）∫p（x_t|x_t-1）p（x_t-1|y_1：t）dx_t-1（4）其中p（x_t| xt-1）是狀態(tài)模型，P（Ytl xt）是觀測(cè)模型。積分的計(jì)算通過(guò)蒙特卡羅采樣在粒子濾波器中進(jìn)行。也就是說(shuō)后驗(yàn)概率p（x_t由一組粒子和相關(guān)的權(quán)重表示。最后，在t時(shí)刻最優(yōu)對(duì)象狀態(tài)x_t*可以通過(guò)最大后驗(yàn)估計(jì)來(lái)確定：式中x_t=（p_t^x，p_t^y，ω_t，h_t），表示包括水平坐標(biāo)、垂直坐標(biāo)、寬度和高度在內(nèi)的對(duì)象狀態(tài)參數(shù)。

p（x_t|x_t-1）=N（x_t：x_t-1，∑）（6）其中∑是對(duì)角協(xié)方差矩陣，對(duì)角元素是相應(yīng)參數(shù)的相應(yīng)變化。對(duì)于每個(gè)狀態(tài)x_t，將圖像塊標(biāo)準(zhǔn)化為32×32像素的對(duì)應(yīng)圖像塊?；谔岢龅南∈枳涌臻g的卷積神經(jīng)網(wǎng)絡(luò)計(jì)算似然函數(shù)p（y_t|x_t）模型：

p（y_t|x_t）= exp（dt）（7）

目標(biāo)狀態(tài)表觀由于會(huì)受到光流、視角和障礙物形變等不可抗因素的影響，隨著時(shí)間的推移首幀信息形成的目標(biāo)模型已不能適應(yīng)當(dāng)前的變化，可能導(dǎo)致跟蹤的失敗。為了捕獲外觀變化，似然函數(shù)需要隨時(shí)間適應(yīng)稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)外觀模型更新，以達(dá)到良好的跟蹤效果。為使得跟蹤方法更加有效，在實(shí)驗(yàn)時(shí)每過(guò)5幀進(jìn)行一次判斷，置信度最大的粒子小于設(shè)定的閾值T（0.75）時(shí)進(jìn)行更新，權(quán)重計(jì)算方法采用文獻(xiàn)[10]中的方式。在每次更新時(shí)，保留首幀指定的目標(biāo)模板，降低漂移現(xiàn)象的產(chǎn)生。實(shí)驗(yàn)結(jié)果表明，此更新方法與本文提出的基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)合，能夠準(zhǔn)確捕捉表觀變化，獲得更加準(zhǔn)確的結(jié)果。

4 實(shí)驗(yàn)過(guò)程及結(jié)果分析

4.1 跟蹤過(guò)程的流程圖與實(shí)驗(yàn)步驟

實(shí)驗(yàn)步驟：

初始化階段（t=1）：

1）在基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)模型中預(yù)訓(xùn)練數(shù)據(jù);

2）手動(dòng)獲取第1幀的目標(biāo)標(biāo)簽;

3）采集正負(fù)樣本分別記為得到相應(yīng)的模板;

4）調(diào)整每個(gè)模板的大小為32×32;

5）微調(diào)模型中的預(yù)訓(xùn)練正負(fù)樣本;

6）初始化粒子濾波的目標(biāo)狀態(tài)和權(quán)重

7）設(shè)置相似度閾值T。

跟蹤階段：t=2：N

1）預(yù)測(cè)：for i=1，…，N₁生成x_tⁱ～p（x_t|x_t-1ⁱ）;

2）可靠性估計(jì)：for i=1，…，N₁，得到ω_tⁱ=ω_t-1ⁱp（y_t|x_tⁱ）：

3）檢測(cè)目標(biāo)的最優(yōu)狀態(tài)x_t^*并賦予粒子最大的權(quán)重;

4）重采樣：歸一化權(quán)重并計(jì)算歸一化權(quán)重的協(xié)方差，如果該方差超過(guò)設(shè)定閾值則用最大權(quán)重的粒子替換最小權(quán)重的粒子。

5）當(dāng)t為5的整數(shù)倍時(shí)，判斷相似度大小，若相似度值小于設(shè)定的值T時(shí)，則進(jìn)行模板的更新。

目標(biāo)跟蹤流程如圖4所示。首先獲取第一幀圖像，通過(guò)粒子濾波器進(jìn)行粒子的采樣和分類(lèi)，將基于CNN的稀疏子空間外觀模型有效地融入到粒子濾波框架中，根據(jù)N的值判斷相似度對(duì)模板進(jìn)行更新。

4.2 實(shí)驗(yàn)結(jié)果與分析

仿真實(shí)驗(yàn)在Intel（R）COre（TM）i3-2310M CPU@2.10GHz電腦配置下通過(guò)對(duì)http：//cvlab.hanyang.ac.kr/tracker_benchmark視頻數(shù)據(jù)庫(kù)的視頻序列進(jìn)行Matlab仿真完成。用以驗(yàn)證本文提出基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤算法。meanshift算法是一種具有一定代表性的經(jīng)典目標(biāo)跟蹤算法，基于IVT的目標(biāo)跟蹤算法在以往的證明中效果相對(duì)最優(yōu)，為驗(yàn)證算法的有效性，比較了meanshift目標(biāo)跟蹤算法和基于IVT的目標(biāo)的仿真結(jié)果。仿真結(jié)果如圖5和圖6所示。在設(shè)置參數(shù)時(shí)，將文中測(cè)試閾值設(shè)置為0.75，通過(guò)大于閾值的部分可以反映跟蹤效果。實(shí)驗(yàn)設(shè)計(jì)包括目標(biāo)尺寸變化和短期目標(biāo)遮擋下的目標(biāo)跟蹤。通過(guò)定性和定量分析跟蹤算法證明了該算法在整體跟蹤性能方面的優(yōu)越性。

定性分析：

實(shí)驗(yàn)1：圖5中黑色線(xiàn)框?yàn)楸疚乃惴ǎG色框?yàn)閙eanshift跟蹤算法，藍(lán)色框?yàn)榛贗VT跟蹤算法，在沖浪者視頻序列中，角色的上半身被選擇作為跟蹤目標(biāo)，并且目標(biāo)的初始位置是x₅=（27713560120）。主要特點(diǎn)是目標(biāo)位置在場(chǎng)景中變化和旋轉(zhuǎn)并伴有尺度變化，選取1375幀，實(shí)驗(yàn)結(jié)果包含了視頻幀中的50，90，170，240幀。

實(shí)驗(yàn)2：圖6黑色線(xiàn)框是本文的算法，綠色框是meanshift目標(biāo)跟蹤算法，藍(lán)色線(xiàn)框基于IVT目標(biāo)跟蹤算法，在所選擇的視頻序列中，選取人臉為目標(biāo)，并且目標(biāo)的初始位置為x₀=（120557595）。主要特點(diǎn)是隨著照明強(qiáng)度發(fā)生變化對(duì)目標(biāo)追蹤的影響。選取視頻1～350幀，實(shí)驗(yàn)結(jié)果包含了視頻幀中的50，90，170，240幀。仿真結(jié)果表明，該算法在復(fù)雜條件下追蹤效果最好。

4.3 定量分析

圖7～圖9分別是本文算法與IVT目標(biāo)跟蹤和meanshift目標(biāo)跟蹤算法跟蹤過(guò)程中的穩(wěn)定曲線(xiàn)。在Matlab中用tic與toc口令計(jì)算對(duì)同一個(gè)視頻序列（為節(jié)約時(shí)間只計(jì)算前350幀）進(jìn)行跟蹤的時(shí)間，圖7用時(shí)18.1172s，圖8用時(shí)24.6273s，圖9用時(shí)28.7644s。根據(jù)實(shí)驗(yàn)時(shí)間本文算法在時(shí)間上得到提高，證明跟蹤的快速性得到改善。在受到外部干擾的情況下，根據(jù)穩(wěn)定曲線(xiàn)圖分析，本文算法的波動(dòng)幅度最小，證明穩(wěn)定性得到提高。

圖10為根據(jù)對(duì)比參數(shù)準(zhǔn)確度A和中心誤差E得到的仿真圖。式中n（p）表示中心位置點(diǎn)小于設(shè)定閾值p的幀數(shù);N_f為總幀數(shù)，本文中取值為350;X_C和Y_C為實(shí)際和跟蹤結(jié)果的中心坐標(biāo)。由圖可以看出，該算法在準(zhǔn)確度和中心誤差方面優(yōu)于其他兩種算法。

5 結(jié)束語(yǔ)

本文在粒子濾波框架下提出一種基于稀疏子空間的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤算法。該算法可以較好地處理局部遮擋、光照變化和尺度變化的影響，有著對(duì)多樣本數(shù)據(jù)處理速度的優(yōu)越性能，增強(qiáng)濾波模板目標(biāo)和背景的分類(lèi)能力。在復(fù)雜情況下，相比于meanshift目標(biāo)跟蹤算法和IVT的目標(biāo)跟蹤算法進(jìn)行了仿真驗(yàn)證和分析。稀疏子空間模型對(duì)候選區(qū)域進(jìn)行跟蹤處理后，可縮短運(yùn)算時(shí)間，減少計(jì)算量，具有較好的目標(biāo)跟蹤效果。當(dāng)出現(xiàn)遮擋，光照和背景干擾的問(wèn)題，卷積神經(jīng)網(wǎng)絡(luò)能很好地克服外界帶來(lái)的干擾，準(zhǔn)確進(jìn)行跟蹤，從而驗(yàn)證了算法的魯棒性和準(zhǔn)確性，在目標(biāo)的識(shí)別和跟蹤應(yīng)用中具有一定實(shí)用價(jià)值。

參考文獻(xiàn)

[1]WANG H，YUAN C，LUO G，et al.Action recognition usinglinear dynamic systems[J].Pattern Recognition，2013，46（6）：1710-1718.

[2]YANG S，YUAN C，WAN（;H，et al.Combining sparseappearance features and dense motion features via random forest for action detection[C]//IEEE International Conferenceon Acoustics：IEEE，2013.

[3]張才千，葛磊，韓東.基于目標(biāo)跟蹤的粒子群粒子濾波算法研究[J].計(jì)算機(jī)仿真，2014，31（8）：392-396.

[4]許倫輝，叢曉野.改進(jìn)粒子濾波對(duì)人物跟蹤的應(yīng)用[J].計(jì)算機(jī)仿真，2014，31（1）：344-347.

[5]許婉君，侯志強(qiáng)，余旺盛，等.基于顏色和空間信息的多特征融合目標(biāo)跟蹤算法[J].應(yīng)用光學(xué)，2015，36（5）：755-761.

[6]陳蕓，吳飛，荊曉遠(yuǎn)，等.魯棒低秩稀疏表示的在線(xiàn)目標(biāo)跟蹤[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016，37（4）：1062-1066.

[7]趙二群.視覺(jué)神經(jīng)系統(tǒng)仿生模型及其應(yīng)用研究[D].長(zhǎng)沙：湖南大學(xué)，2014.

[8]HINAULT T，DUFAU S，LEMAIRE P.Strategy combinationin human cognition：a behavioral and ERP study inarithmetic[J].Psychonomic Bulletin&Review，2015，22（1）：190-199.

[9]OLSHAUSEN B A，F(xiàn)IELD D J.Natural image statistics andefficient coding[J].Network，2009，7（2）：333.

[10]王保憲，趙保軍，唐林波，等.基于雙向稀疏表示的魯棒目標(biāo)跟蹤算法[J].物理學(xué)報(bào)，2014（23）：174-184.

[11]YIN H.Sparse representation with learned multi-scaledictionary for image fusion[J].Neurocomputing，2015，148（148）：600-610.

[12]DONG C，CHEN C L，HE K，et al.Image super-resolutionusing deep convolutional networks[J].IEEETransactions onPattern Analysis and Machine Intelligence，2016，38（2）：295-307.

[13]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.Imagendclassification with deep convolutional neural[C]//Advances inNeural Information Processing Systems，2012.

（編輯：莫婕）