深度卷積神經網絡的發展及其在計算機視覺領域的應用

杜雪，王浩然，王欣悅

（南京郵電大學，江蘇 南京 210000）

0 引言

卷積神經網絡是應用最為廣泛的人工神經網絡，該模型由簡單和復雜細胞構成，簡單細胞對應不同區域，對于不同方向采取不同反應，獲得更大感受，通過交替出現簡單和復雜細胞，神經網絡可以獲取圖像特征和抽象性。卷積神經網絡是降采樣層和卷積層交替出現的神經網絡，經過多年的應用取得了突出進步，在計算機視覺領域中發揮著重要價值。

1 深度卷積神經網絡的發展

卷積神經網絡是由卷積層提取特征，亞采樣層處理特征，交疊構成多層神經網絡。網絡輸入是通過手寫方式輸入圖像，對結果識別，輸入過程需要進行多次卷積以及采樣加工，在全連接層進行和目標的映射。一般情況下神經元和感受神經進行連接，卷積層用多個卷積核對通道，捕捉特征點，按照組合方式輸出，特征圖按照采樣層S2后，可以縮減尺寸，神經元和對應特征對應映射，得到計算結果。卷積層神經元、采樣層神經元分別進行模擬簡單和復雜細胞，對卷積核共享，和特征對應，進行采樣操作。

卷積神經網絡卷積層包含特征圖較多，在核對圖像后運算，將元素視為權值參數，和輸出圖像像素值相乘，求和得到輸出像素。采樣層也被稱為池化層，進行池化采樣，在減少數據量同時保留信息[1]。神經網絡和連接層進行對接，隱層結構和連接層一致，神經元一一對接。卷積神經網絡在BP算法支持下，通過模擬訓練，能夠讓神經元享有連接權，減少了訓練數目。近年來通過增加神經網絡的層數，增加樣本，讓算法不斷優化，從而超越傳統識別和機器學習算法，進一步提高了神經網絡性能以及精準度，讓神經網絡的應用效果得到顯著提升。借助于卷積神經網絡的支持，計算機視覺服務范圍不斷擴大，已經逐漸融入金融行業、交通行業、服務行業等體系中，實現廣泛應用，支持全社會智能化水平的提高，讓人臉識別得到穩定應用，大幅提高社會服務和各個行業的便捷性。

2 深度卷積神經網絡的應用

2.1 圖像分類

在計算機視覺領域內最基礎的應用是圖像分類，根據設定對給定圖片進行分類，讓圖片內容劃分到合適的分類中，并進行類別標記。圖像分類的主要進展為ImageNet ILSVRC任務上，常見圖像分類數據集還包括Caltech256、SUN等。

2.2 目標檢測

在目標檢測中，是計算機視覺基礎工作，可以標記設定對象，對目標物體進行標記，并進行圖像分類。相比于圖像分類，目標檢測在圖像特定區域、分類上更為重視，且檢測更加復雜。傳統目標檢測使用Haar、SIFT等描述，通過滑動窗口能夠識別，對每類物體單獨訓練分類器。目標檢測領域作為最具影響力檢測算法，能夠對目標進行處理，具備較高檢測率，能夠滿足人臉檢測的需要，實現廣泛應用。使用AdaBoost算法框架，提取Haar-like特征[2]。在窗口界面搜索定位，特征為圖像梯度直方圖，檢測通過支撐向量機實現，考慮到自然界物體可能存在柔性形變，需要利用多尺度形變模型，該模型具備直方圖和支撐向量機的優勢，用隱變量推理組件形變，固定模板分辨率，辨別寬高比來辨別目標。如今神經網絡的發展開始替換為DeepCNN進行檢測，提高了目標檢測精度，建立R-CNN檢測框架，R-CNN算法使用選擇性搜索策略進行候選窗選擇，選定深度特征，并通過SVM分類器的應用對候選窗劃分，使用非極大值篩選候選窗，確定目標定位。

2.3 圖像語義分割

在計算機視覺領域中，研究人員精確理解目標投向，通過語義分割滿足需求，解析訓練圖像內容，分割工程中獲得像素語義類別，并對圖像內容予以標記[3]。圖像語義分割需要對分割目標準確識別，精準圖像語義分割能夠降低后續識別數據量，保留結構化信息。常用數據庫包括MicrosoftCOCO、MSRCv2以及Sift Flow等。如今深度卷積沉浸網絡成功應用于圖像檢測分類中，在圖像語義分割中使用DeepCNN，如使用多尺度卷積神經網絡學習目標特征，讓語義分割取得理想效果。在語義分割上FCN效果良好，但是未經過對邊緣信息和空間的約束，導致分割結果十分粗糙。CRF模型對FCN輸出結果的處理，可以將分割數據集的精度提高至71.6%。為了識別圖像分割區域，語義分割必須要利用精準像素對數據加以標注，時間長，且數據數量有局限。按照經驗，精確標注目標像素點，可以克服像素的約束，成功設置語義分割的算法。BoxSup通過檢測圖像進行監督，捕捉監督信號，先利用候選區進行初步結果的篩查。然后對FCN、檢測框的信息進行監測。將物體點作為目標，通過設計函數監督數據，并對FCN函數約束訓練。期間對關鍵像素賦予權值最大值，能夠對各像素更準確標注。

2.4 圖片標題生成

生成圖片的標題是神經網絡的重要業務，借助于自然語言準確描述圖片，體現出圖片的特征和內容，隨著自然語言和深度學習的技術突破，圖片標題生成逐漸在各個網站中使用。目前微軟和谷歌的技術仍然處于領先地位。部分圖片使用流程化方法進行圖片內容的描述，向學習示例圖片，對各特征部分提取形容詞匯等，對應CNN特征，可以充分表述CNN特征，然后使用MELM產生標題。最后使用MERT對可能性最高的標題排序。還有一部分圖片采取端對端方法，在機器翻譯的啟發以及支持下，通過RNN模型、CNN模型，完成圖片標題以及獲取圖片特點，最終生成圖片的對應標題。

2.5 人臉識別

人臉識別包含人臉辨識和驗證兩部分，辨別人臉圖像正確率為50%，辨識人臉可以將人臉圖像劃分不同種類的身份，猜中概率為1/N。人臉的辨識難度更高，隨著類別數增加而增加，最大挑戰在于在不同表情、姿態、光線下的辨別。兩種變化分布十分復雜，呈現出非線性。目前最為著名的測試集是LFW，通過在互聯網上收集超過五千人的人臉照片，用于評估人臉驗證性能[4]。經過測試集運算模擬，其準確性基本達到97.53%。而深度學習準確率可以達到99.47%。人臉識別需要在離線數據上運行，經過模型模擬，再應用于驗證任務上。通過對人臉監督，捕捉人臉特點，對最小特征類識別，準確率達到99.15%。使用Triplet網絡學習人臉特征，要求輸入不同類圖片一張、同類圖片兩張的圖像樣本，使用歐氏距離進行輸入圖像相似度的度量，在LFW數據集上達到了99.63%精度。

2.6 行人再識別

在監控系統中主要利用行人再識別，在可控環境中，利用虹膜和人臉等特征進行人臉識別。監控視頻環境十分復雜，不可控因素較多，獲得行人圖像的質量差，無法準確捕捉人臉特征。因此很多研究人員通過人攜帶物品和衣物進行識別。但受到光線和角度的影響，并不能準確識別，誤識別率較高[5]。識別行人的算法主要包括特征識別以及距離度量兩種，度量距離是將行人特征分布作為學習度量，在不同行人目標中，由于不同個體之間特征距離差距顯著，統一個體上特征距離差異小，能夠對不同行人目標進行區分，不易受到光線等環境因素的影響。利用TripletLoss監督網絡學習過程，在數據集上取得良好效果。使用局部圖像塊匹配方法進行局部特征的學習，提高了辨別能力。

2.7 人體動作識別

識別人體動作已經是計算機視覺研究中關注度很高的問題，通過攝像機對視頻數據進行捕捉和處理，對視頻中動作行為深入理解。能夠在圖像序列中準確找到運動信息，并提取底層特征，快速建模，形成底層視覺對應動作行為的關系。根據時序信息使用頻率，識別人體動作可以通過識別時空特征以及時序推理兩種。在視頻序列中利用人體動作識別法提取動作特征，主要解決簡單動作識別，可以分為局部特征、時空軌跡以及時空體模型等。使用卷積神經網絡學習具備一定語義信息，逐漸得到廣泛應用。使用三維卷積計算，于圖像序列準確捕捉目標動作，從多渠道獲取圖像特征，并將這些特征合并為最終動作。雙路卷積神經網絡對于圖像的識別不僅支持靜態幀，也能在多幀圖像上加以處理，靜態幀是利用單幀信息對動作信息提取，并獲取時間信息，通過捕捉特征，并經過SVM分類器識別圖像動作。

3 結語

綜上所述，在我國各個行業中深度卷積神經網絡均得到深度應用，為各個行業的發展提供了技術上的支持。在計算機視覺應用上，通過生成標題、目標監測、人臉識別等功能實現。通過在不同領域上應用滿足各個行業的需要，提高社會智能化水平。當前在數據集中應用良好，但應對互聯網上大規模數據仍然較為困難，還需要不斷更新和遷移，進一步研究神經網絡泛化能力，才能更穩定應對互聯網海量數據，滿足其實際應用需要。