計算機信息領域的深度學習探析

摘要：本文主要從國內外專家對深度學習定義入手，闡釋什么是深度學習，說明計算機領域深度學習的特征，探析計算機信息領域深度學習的內涵與應用，對深度學習可能的發展方向進行展望。

關鍵詞：計算機信息;深度學習;卷積神經網絡;圖像分割

深度學習是計算機信息領域的一個重要問題，在圖像識別、圖像分割、語音識別、視頻監控、自主駕駛、人機交互等方面具有重要的研究意義和實用價值。

隨著電子設備的應用在社會生產和人們生活中越來越普遍，數字圖像、語音與視頻已經成為不可缺少的信息媒介，每時每刻都在產生海量的圖像、音頻、視頻數據。如何從大量數據中提取需要的信息成為人們關注的主要對象。

準確獲得感興趣目標具體信息，并將獲得的信息應用到智能視頻監控、機器人導航、人臉識別、數碼相機自動定位和聚焦、飛機航拍、衛星圖像中道路檢測、自主駕駛等等現實任務中成為深度學習技術在計算機信息領域應用的重點研究內容。

一、深度學習簡介

近年來，深度學習在圖像分類和目標檢測等領域取得了突破性進展，成為目前最有效的自動特征學習方法。

深度學習模型具有強大的表征和建模能力，通過監督和非監督的方式，逐層自動地學習目標的特征表示。將原始數據經過一系列非線性變換，生成高層次的抽象表示，避免了手工設計特征的繁瑣低效[6]。

目前應用于計算機信息領域的圖像識別和圖像分割的深度學習，其模型主要包括堆疊自動編碼器（Stacked auto-encoders，SAE）、深度信念網絡（Deep belief network，DBN）、和卷積神經網絡（Convolutional neural networks，CNN）等。

堆疊自動編碼器（SAE）模型的實質是多個自動編碼器（Auto-Encoder，AE）的堆疊。SAE模型將前一層自動編碼器的輸出作為后一層自動編碼器的輸入，逐層對自動編碼器進行預訓練，然后利用人工神經網絡反向傳播（Back Propagation，BP）算法對整個網絡進行微調。

深度信念網絡（DBN）類似于SAE，它的基本單元是受限玻爾茲曼機（Restricted Boltzmann machines，RBM），整個網絡的訓練分為兩個階段：預訓練和全局微調。首先，以原始輸入為可視層，訓練一個單層的RBM，該RBM訓練完成后，其隱層輸出作為下一層RBM的輸入，繼續訓練下一層RBM。以此類推，逐層訓練，直至將所有RBM訓練完成。通過這種貪婪式的無監督訓練，使整個DBN模型得到一個比較好的初始值。然后加入數據標簽，對整個網絡進行有監督的微調，進一步改善網絡性能。

卷積神經網絡（CNN）是圖像識別和圖像分割中的研究熱點，近年來取得了豐碩成果。圖1給出了由LeCun等提出的用于數字手寫體識別的卷積神經網絡（CNN）結構。

CNN通常包含卷積層、池化層和全連接層。卷積層通過使用多個濾波器與整個圖像進行卷積，可以得到圖像的多個特征圖表示;池化層實際上是一個下采樣層，通過求局部區域的最大值或平均值，來達到降采樣的目的，進一步減少特征空間;全連接層用于進行高層推理，實現最終分類。

CNN的權值共享和局部連接大大減少了參數的規模，降低了模型的訓練復雜度，同時卷積操作保留了圖像的空間信息，具有平移不變性，和一定的旋轉、尺度不變性。

2012年，Krizhevsky等將CNN模型用于ImageNet大規模視覺識別挑戰賽的圖像分類問題，使錯誤率大幅降低，在國際上引起了對CNN模型的高度重視。也因此推動了計算機信息領域深度學習的研究進展。

二、深度學習在計算機信息領域的應用

目前，深度學習技術在計算機信息領域的應用已經達到了一個較深的層次，漸漸深入到人們生活的各個方面。例如醫療影像輔助診斷、刷臉支付技術、指紋識別技術、智能視頻監控、機器人導航、數碼相機自動定位和聚焦、飛機航拍、衛星圖像中道路檢測、自主駕駛等等。

2.1醫療領域應用

深度學習在醫療領域中的應用主要有以下幾個方面：

醫學影像識別應用：醫學影像是對疾病診斷的重要方式，放射科和病理科醫生，借助醫學影像，可以提高診斷效率。目前，國內外醫學專家在心血管、腫瘤、神內和五官等領域構建多個精準深度學習輔助模型，取得較好成效。基于計算機信息輔助的深度學習技術可幫助醫生快速準確讀取病人影像數據。

2.2無人駕駛領域應用

在無人駕駛領域中，使用激光、雷達等類型的傳感器比較昂貴，以深度學習為基礎的目標檢測和識別、目標分割法，具有其明顯的優勢。利用基于深度學習的計算機視覺信息技術，在無人駕駛過程中，攝像機采集即時視頻數據，計算機信息系統對該數據進行理解與分析。包括對目標檢測和識別，目標跟蹤、車道線檢測分離等。為決策控制提供依據，如前車碰撞預警等[7]。目前，深度學習芯片越來越多，為無人駕駛領域提供了更好的支持。

2.3圖像搜索領域應用

基于深度學習的圖像識別技術，在智慧科學與教育領域有效應用受到人們極大青睞，如拍照植物進行識別類APP、試題拍照APP等。利用拍照提供的圖像數據，借助智能計算，獲取相關內容的分析與理解信息。深度學習在解決該類問題中的優勢極其明顯。

2.4安防領域應用

借助計算機信息技術，實現安防智能化。深度學習技術中的人臉識別是該領域重要的應用之一。借助深度學習，計算機加強對人臉檢測，對目標特征進行刻畫，為后續跟蹤和異常行為提供信息依據。

三、總結

深度學習是目前最熱門的機器學習方法，在計算機信息領域被廣泛研和應用。本文從深度學習定義入手，探析了深度學習在計算機信息領域的應用。

在今后的工作和研究中，還要進一步完善深度學習理論，拓展深度學習技術在計算機信息領域的研究深度，激發深度學習在計算機信息領域應用中的潛力。

參考文獻

[1]盧宏濤，張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述.數據采集與處理[J]，2016，31（1）：1-10

[2]劉澤宇.計算機人工智能的發展現狀及趨勢[J].數字技術與應用，2018，36（2）

[3]劉海玲.基于計算機視覺算法的圖像處理技術[J].計算機與數字工程，2019，47（3）：672-676

[4]張新斌、康昌春、李文琿.基于深度學習角度探析醫學影像大數據[J].現代信息科技

[5]劉建偉，劉媛，羅雄麟.深度學習研究進展.計算機應用研究[J]，2014，31（7）：1921-1928

[6]張慧，王坤峰，王飛躍.深度學習在目標視覺檢測中的應用進展與展望[J].自動化學報，2017，43（8）：1289-1305

[7]Masci J，Meier U，Ciresan D，Schmidhuber J. Stacked convolutional Auto-encoders for hierarchical feature extraction[J]. In：Proceedings of the 21th International Conference on Artificial Neural Networks. Berlin Heidelberg，Germany：Springer，2011.52-59

[8]Vincent P，Larochelle H，Bengio Y，Manzagol P A. Extracting and composing robust features with denoising Auto-encoders[J]. In：Proceedings of the 25th IEEE international Conference on Machine Learning（ICML）. Helsinki，Finland：IEEE，2008.1096-1103

湖北省教育廳科學研究計劃指導性項目：深度學習在乳腺MRI腫瘤分割中的應用研究（B2020340）

作者簡介

陳小娟 出生年：1983，性別：女，籍貫：湖北荊門，學歷：大學本科，職稱：實驗師，研究方向：機器學習、教學質量。