基于深度學習系統的圖像識別方法研究

【摘要】隨著人工智能技術的發展，圖像識別技術水平不斷提升，極大地改變傳統的圖像識別方式，通過運用大數據，保證實際的識別準確率。但是不同深度學習系統具有各自的優勢和缺點。因此，本文結合深度學習系統的圖像識別方法進行分析論述。

【關鍵詞】深度學習系統 圖像識別 方法 分析

【課題項目】湘潭市科技指導性計劃項目，課題名稱：《基于卷積深度學習系統的圖像識別方法研究》，課題編號：ZJ20171019。

【中圖分類號】TP391.41 【文獻標識碼】A 【文章編號】2095-3089（2019）10-0231-02

圖片作為互聯網時代重要信息載體，為人們生產生活提供了極大的便利。在進行圖像識別過程中，圖片中包含大量的信息，這就需要技術人員深度分析學習模型，結合圖片的特征，利用大數據處理技術，做好信息的提取，分析不同單元之間的聯系，真正發現圖像內部的結構特征。因此，本文從深度學習系統入手，就如何做好圖像識別展開論述，并且提出合理化建議與意見。

一、卷積神經網絡在圖像識別中的具體應用

（一）卷積神經網絡結構

卷積神經網絡簡稱CNN，屬于深度前饋神經網絡，主要包括以下幾方面的內容：第一，卷基層，屬于整個卷積神經網絡的核心構件，是一個權值矩陣，通過對原始圖像矩陣分析，可以提取特定信息，滿足實際分析的要求。在多層卷積中，第一層主要提取一般的特征。對于深層的卷積神經網絡，可以提取更加復雜的特征。為了有效解決不同位置像素點利用率不同的問題，技術人員可以采取填充的方式，通過卷基層，不斷輸出激活圖。第二，池化層，就是為了有效減少網絡中的計算量，提升實際的運行速度，通過引入池化層，技術人員可以把特征圖分成若干個區域，實現區域的最大池化，最大限度減少圖像空間，不斷減少計算量，有效保留輸入圖像的特征。在這種情況下，圖像的尺寸減少。第三，為了實現圖像不同類別數量輸出的目標，技術人員可以采用全連接層，真正把局部特征融入到整體特征中。同時，技術人員可以利用損失函數計算可能出現的誤差，然后進行反向的傳播，通過不斷更新卷積核參數的改進，滿足實際識別的基本要求。

（二）卷積神經網絡在圖像識別應用分析

卷積神經網絡基本模型主要包括訓練數據和測試數據的圖像，具體包括以下幾層，其中第一層和第三層為卷基層，第二層和第四層為池化層，第五層和第六層為全連接層。另外，輸入層就是把圖片進行填充。

二、深度信念網絡技術在圖像識別中的應用

（一）深度信念網絡模型結構

技術人員利用深度信念網絡，通過學習進行概率重構。網絡模型在完成第一個學習步驟以后，可以進行監督訓練，從而構成深層神經網絡。根據實際運行情況，深度信念網絡模型主要包括預訓練和微調兩個步驟。其中預訓練就是預估初始化的權重參數，通過CD算法，然后單獨訓練每一層網絡，具體包括以下幾個步驟：需要做好可見單元初始化工作，從而獲得訓練矢量和權值矩陣，然后進行隱含單元的更新，再利用隱含單元更新可見單元，以上統稱為重建，這就要求技術人員對每一層進行重建，做好參數的刷新。在REM完成訓練以后，就會有新的REM進行堆積，在最終的訓練層進行輸入。通過不同重復上述過程，可以滿足實際的停滯標準。根據CD算法的要求，其中最大可能性比較粗糙，但是具有良好的有效性。

在完成預訓練之后，技術人員需要微調參數。其中深度信念網絡的BP神經網絡能夠對訓練分類器進行監督。根據實際運行的情況，隱含層具有獨立性的特點，其中每一層REM網絡只能保證層次權值向特征向量映射實現最優，這就需要對全連接進行相應的微調。在利用REM網絡模型進行訓練過程中，是初始化BP網絡權值參數，保證參數的合理性，減少訓練時間，提升運行效率。

（二）在圖像識別中的具體應用

深度信念網絡模型在應用到圖像識別過程中，極大地提升了識別的效率，縮短了識別時間，可以充分發揮大數據的優勢，對初始權值參數進行全面優化，得到了廣泛的應用，滿足了用戶對圖像識別的基本要求。在利用深度信念網絡模型應用到手寫字體識別過程中，可以設置成雙層的DBN結構，其中隱含層設置了100個單元，因此，可以將RBM和BP層的迭代次數設置為100，從而滿足實際識別的要求。

綜上所述，深度學習系統是當前智能化技術發展的重要內容，可以進行數據的處理、調整以及訓練。其中卷積神經網絡算法具有很強的適應性，但是也存在一定的缺點。對于深度信念網絡模型，可以初始化權值參數進行優化，但是訓練時間過長，用戶可以結合實際情況，選擇不同的識別系統。

參考文獻：

[1]彭騁.基于深度學習的圖像檢索系統[J].通訊世界，2018（06）：258-259.

作者簡介：

張玨（1986-），女，漢族，湖南湘潭人，講師，在讀研究生，研究方向為信息技術教育。