深度學(xué)習(xí)分類網(wǎng)絡(luò)研究及其在計算機視覺中的應(yīng)用

摘? 要：在通用人工智能中計算機視覺具有重要作用，主要表現(xiàn)在自動駕駛，智慧醫(yī)療和交通等方面。相比于傳統(tǒng)機器學(xué)習(xí)算法在計算機視覺中的應(yīng)用效果，近年所研究的新型深度學(xué)習(xí)方法在計算機視覺研究領(lǐng)域取得新發(fā)展。本文主要是探討深度學(xué)習(xí)分類網(wǎng)絡(luò)研究及其在計算機視覺中的應(yīng)用，希望能夠?qū)ο嚓P(guān)人員起到參考性價值。

關(guān)鍵詞：深度學(xué)習(xí);人工智能;計算機;視覺

計算機視覺簡言之即是依靠電子設(shè)備成像來代替生物視覺系統(tǒng)，隨后依靠提前寫好的程序?qū)Λ@取的圖像信息實施處理。該技術(shù)的短期應(yīng)用目的在于完成相對簡單的智能視覺工作，而深度學(xué)習(xí)技術(shù)在計算機視覺領(lǐng)域的應(yīng)用，在很大程度上豐富了其功能，提高了識別效率，讓其能夠在更多行業(yè)發(fā)揮出自身價值。

1 深度學(xué)習(xí)分類網(wǎng)絡(luò)分析

1.1 LeNet

該分類網(wǎng)絡(luò)是由卷積神經(jīng)網(wǎng)絡(luò)發(fā)明人員所提出的第一個分類網(wǎng)絡(luò)，主要可以識別支票上的手寫數(shù)字、整個網(wǎng)絡(luò)主要包含七層結(jié)構(gòu)，下采樣為池化層，由于池化層不具備權(quán)值參數(shù)，所以無法將其確定為計算層，這樣就導(dǎo)致網(wǎng)絡(luò)具有五層計算層。從某種程度上看，該網(wǎng)絡(luò)存在數(shù)個隱層。

LeNet最后一層主要采用歐式徑向基函數(shù)單元，可以對前一層激活函數(shù)的飽和問題進行限制，減少梯度消失效應(yīng)。所以從某種程度上看，LeNet是首個被成功訓(xùn)練的深層神經(jīng)網(wǎng)絡(luò)，然而由于此種方法代表性比較弱，因此多數(shù)學(xué)者不認可。

1.2 AleNet

該深度學(xué)習(xí)分類網(wǎng)絡(luò)主要包含激活函數(shù)，局部響應(yīng)歸一化和抑制過擬合、其中研究人員己經(jīng)發(fā)現(xiàn)激活函數(shù)的應(yīng)用優(yōu)勢，在使用激活函數(shù)的同時能夠避免梯度消失，全面提升訓(xùn)練速度、局部響應(yīng)歸一化特性不需要處理海量數(shù)據(jù)，以免其進入飽和區(qū)、抑制過擬合主要是對訓(xùn)練數(shù)據(jù)進行擴增，平移和反轉(zhuǎn)線有訓(xùn)練圖像，并且對訓(xùn)練數(shù)據(jù)集進行擴充、對于后續(xù)連接中神經(jīng)元連接過多以及加劇過擬合問題，可以利用隨機丟棄方式減少過擬合。

1.3 GoogLeNet

GoogLeNet設(shè)計思路是將所有連接轉(zhuǎn)化為稀疏結(jié)構(gòu)，此處所提及的稀疏結(jié)構(gòu)是基于Hebbin原理、該種深度學(xué)習(xí)分類網(wǎng)絡(luò)主要是使用龐大且稀疏的網(wǎng)絡(luò)表達數(shù)據(jù)集的分布情況，因此建立稀疏網(wǎng)絡(luò)的最佳方式在于將較高關(guān)聯(lián)性的節(jié)點進行聚類，之后將所有聚類節(jié)點連接在一起、按照此種原理展開設(shè)計就會產(chǎn)生GoogLeNet基礎(chǔ)結(jié)構(gòu)。

在圖像中索選取的區(qū)域具備較高相關(guān)性的是區(qū)域周圍的像素，卷積操作可以有效連接像素。對于不同卷積核來說，其數(shù)對應(yīng)的空間位置不同通道信息具有相關(guān)性、卷積核尺寸越小.不同通道信息相關(guān)性越高.能夠代表不同的感受視野。

2 深度學(xué)習(xí)在計算機視覺中的應(yīng)用

2.1 深度學(xué)習(xí)在圖像分類中的應(yīng)用

現(xiàn)階段比較常見的用于圖像分類的數(shù)據(jù)集是 Image Net，它包含的素材十分豐富，大約有一千五百萬張高分辨率圖像，所有的圖像又被分為兩萬多個類別。Image Net 歷年舉行圖像分類比賽，在比賽中圖像分類的算法和技術(shù)也得到逐漸的進步和提高，提高圖像分類的正確率、準確率。

具體的過程是卷積核中任一元素均可以成為權(quán)值參數(shù)，乘以輸入圖像相應(yīng)區(qū)域的像素值，再將得到的每一個乘積相加，利用激活函數(shù)最終得到輸出的像素。卷積神經(jīng)網(wǎng)絡(luò)的形式上通常表現(xiàn)為多通道特征圖的三階張量卷積操作，實際上卻是多個輸入的信號加權(quán)求和再作用于一個神經(jīng)元，最后實現(xiàn)激活輸出數(shù)據(jù)的過程。

第 l 層的第 個特征圖矩陣 可能由前一層若干個特征圖卷積加權(quán)得到，一般可以表示為

其中 ， 為 神 經(jīng) 元 激 活 函 數(shù) ; 代 表 輸 入 特 征 圖 的組合， 表示卷積運算， 為卷積核矩陣， 偏置矩陣。經(jīng)常用到的神經(jīng)元激活函數(shù)有 sigmoid 函數(shù)、tanh 函數(shù)、ReLU函數(shù)等。

2.2 深度學(xué)習(xí)在無人駕駛領(lǐng)域的應(yīng)用

對于無人駕駛領(lǐng)域來說，選擇激光或雷達這類傳感器的成本更高，基于深度學(xué)習(xí)的計算機視覺技術(shù)也能夠提供新的解決方案。依靠攝像機對視頻畫面進行采集，對獲取到的圖像實施分析，提供類似于前車碰撞預(yù)警等功能。

在這一過程中，計算機視覺技術(shù)可以實現(xiàn)對目標的檢測識別、對目標車輛的跟蹤分析、對車道線是否偏離進行檢測等。基于深度學(xué)習(xí)技術(shù)的檢測識別表現(xiàn)出更加強大的優(yōu)勢，現(xiàn)階段深度學(xué)習(xí)芯片日益增多，對于無人駕駛技術(shù)的發(fā)展也帶來了更加有力的支持。

2.3 深度學(xué)習(xí)在面部識別中的應(yīng)用

隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，面部識別被廣泛運用到各個領(lǐng)域，企業(yè)、小區(qū)在安裝面部識別系統(tǒng)后，可通過人員面部的識別以此打開大門，在一定程度上確保安全;在醫(yī)院、學(xué)校、超市等安裝攝像監(jiān)視系統(tǒng)對過往的人群進行監(jiān)視，為公安破案工作提高了效率;通過人臉自動支付識別系統(tǒng)，可在安裝有人臉識別自動支付的銀行、商場等為人們帶來便捷的支付功能。

由于生理學(xué)與心理學(xué)特征與人們臉部存在變化性具有密切的聯(lián)系，所以，將人類視覺的特點與彈性建模進行相互的結(jié)合是十分有必要的，這不僅能為建立模型帶來良好的效果，而且還能在建立模型中突破剛體特性的特征帶來一定的效果。

3 深度學(xué)習(xí)在計算機視覺領(lǐng)域未來發(fā)展趨勢

深度學(xué)習(xí)在計算機視覺領(lǐng)域的應(yīng)用研究已經(jīng)越來越廣泛和成熟，并在更多方面取得實際的價值，其中最主要的是體現(xiàn)在商用方面，比如人臉識別技術(shù)，不僅可以用于手機等智能設(shè)備，也能用于門鎖等安全設(shè)置。

在之后的發(fā)展中，其還將被應(yīng)用到工業(yè)、軍事、航空航天等高精密度的領(lǐng)域內(nèi)，當然，只要在進步過程中成本得以下降，它也更能造福百姓的日常生活，促進生活水平的提高。

結(jié) 語

深度學(xué)習(xí)技術(shù)在計算機視覺領(lǐng)域中應(yīng)用的終極目標是為了讓機器可以和人類一樣，觀察并讀懂世界。近年來AI技術(shù)的不斷發(fā)展與普及應(yīng)用，深度學(xué)習(xí)技術(shù)必然會在計算機視覺領(lǐng)域中發(fā)揮出更大的價值，為現(xiàn)代人的生活和工作帶來更多便利。

參考文獻

[1]龔方生. 基于深度學(xué)習(xí)的計算機網(wǎng)絡(luò)數(shù)據(jù)包路由策略[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用， 2021，12（5）：3-5.

[2]陳旭， 孟朝暉. 基于深度學(xué)習(xí)的目標視頻跟蹤算法綜述[J]. 計算機系統(tǒng)應(yīng)用， 2019，45（6）：14-16.

[3]仇秋飛， 周武源， 雷良育，等. 深度學(xué)習(xí)在機器人領(lǐng)域的應(yīng)用進展[J]. 計算機技術(shù)與發(fā)展， 2021， 31（11）：8-10.

作者簡介：馬驥、男、2001.02.08、安徽省滁州市瑯琊區(qū)、本科、西北工業(yè)大學(xué)、無，深度學(xué)習(xí)、計算機視覺。