圖像識別領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

黃 燦

（92124部隊 遼寧 大連 116021）

1 引言

2012年可謂人工智能圖像識別發(fā)展的一個重要里程碑。之前人們?yōu)樽非髨D像識別算法的準確性做出了不懈的努力，但是其錯誤率卻一直居高不下，保持在26%左右，這一水平導(dǎo)致圖像識別技術(shù)無法有效走出實驗室。但是在2012年的視覺挑戰(zhàn)賽（ILSVRC，Image Net Large Scale Visual Recognition Challenge）上，Krizhevsky等人采用了八層深度卷積神經(jīng)網(wǎng)絡(luò)的計算方法贏得了該大賽的管冠軍，其精確度超過第二名11%，這一壓倒性的優(yōu)勢，決定了卷及神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域的研究，必然成為未來的主要趨勢。

2 卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)分析

就目前算法的發(fā)展狀況而言，卷及神經(jīng)網(wǎng)絡(luò)作為當前在圖像識別領(lǐng)域的主流算法，被諸多工作團隊所廣泛接受，而對于圖像識別的研究重點，也從尋找更為優(yōu)秀的算法，轉(zhuǎn)移到了對卷積神經(jīng)網(wǎng)絡(luò)算法本身的優(yōu)化上，并且在應(yīng)用領(lǐng)域，也在近年取得了長足進展。從卷積神經(jīng)網(wǎng)絡(luò)自身的角度考慮，其在卷積層之間采用了共享參數(shù)，使得計算過程中對于計算資源的占用大大縮小，同時也在訓(xùn)練參數(shù)方面實現(xiàn)了有效的簡化，提升了整體運算過程的效率。除此以外，此種計算方式幾乎不需要對圖像展開預(yù)處理或者特征值提取操作，這也成為卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域優(yōu)于其他算法的顯著之處。但是卷積神經(jīng)網(wǎng)絡(luò)算法也存在諸多弱點，例如傳統(tǒng)的算法本身并未能對算法展開深入挖掘，對應(yīng)的卷積核偏大，算法結(jié)構(gòu)層數(shù)較少等，都會造成此種算法的優(yōu)勢未能有效發(fā)揮，這些也就成為了當前在該領(lǐng)域中進行改進研究的工作重點。

作為深度學(xué)習(xí)領(lǐng)域的常用算法，卷積神經(jīng)網(wǎng)絡(luò)屬于常用算法，其發(fā)展基于人體視覺系統(tǒng)工作模式提出，其經(jīng)典的模型包括卷及神經(jīng)層、Rectified Linear Units層、Pooling層以及規(guī)范化層總共四個層級。想要切實對卷積神經(jīng)網(wǎng)絡(luò)的算法實現(xiàn)優(yōu)化和改進，首先需要從基礎(chǔ)的角度加強認識。

在算法框架體系之下，卷積神經(jīng)層負責(zé)對圖像中的每個點展開卷積計算，并且將卷積核作為訓(xùn)練參數(shù)展開工作。在圖像識別算法中，卷積的實際意義是指輸出圖像中的每個點都是由輸入圖像的對應(yīng)位置的小區(qū)域的像素通過加權(quán)平均所得，而這個區(qū)域即為卷積核。在計算機的處理過程中，卷積核為正方形，其邊長決定了對于圖像特征值的提取效果。一般來說，卷積核越大，對于圖像特征值獲取的效果越好，但是對應(yīng)地，需要訓(xùn)練的參數(shù)就越多，因此會應(yīng)當?shù)竭\算能力，進一步影響到圖像識別的整體效率。與之對應(yīng)，卷積核越小，圖像識別過程中的精細程度就會有所提升，但是想要獲取到同樣水平的圖像特征，只能依賴更多的計算層數(shù)。并且較小的卷積核意味著在計算中會存在更多的Rectified Linear Units層，在識別能力上也會因此更強。因此在當前用于圖像識別環(huán)境中的卷積神經(jīng)網(wǎng)絡(luò)算法，多采用3×3或者5×5尺寸的卷積核展開工作。而Rectified Linear Units層則負責(zé)實現(xiàn)神經(jīng)網(wǎng)絡(luò)的激活函數(shù)控制，多為Rectified函數(shù)。Rectified Linear Units層的引入，能夠有效減少訓(xùn)練時間，提升整體算法性能。在輸入圖像經(jīng)過了這樣兩個層級的處理之后，其中的沒一個像素點都包括了周圍區(qū)域的相關(guān)信息，這帶來了較多的信息冗余，而為了提升算法的性能和魯棒性，就需要對圖像展開二次采樣，并且形成新的圖像。在二次采樣的過程中，需要對區(qū)域進行重新劃分，如果劃分區(qū)域彼此之間存在重疊，則成為Overlapping Pooling，否則被稱作為Non-overlapping Pooling，Pooling層的稱謂因此而來。這一層不需要訓(xùn)練，并且比較常見的做法是采用可以重疊的，取最大值的Pooling算法，用以對過度擬合展開適當控制。最后，規(guī)范化層，即規(guī)范化神經(jīng)層（Normalization Layer），其價值在于提升圖像的對比性，通常通過計算圖像的對比“平均值”，來對圖像的每個像素展開調(diào)整，使得圖像的主體部分能夠和背景更加具有區(qū)分度。這一個層面在圖像識別中并非必不可少，因此只有當卷積核較大的時候，才會引入這一層級展開加工。

3 卷積神經(jīng)網(wǎng)絡(luò)工作效率的影響因素

首先，網(wǎng)絡(luò)深度對于卷積神經(jīng)網(wǎng)絡(luò)而言至關(guān)重要。作為卷積神經(jīng)網(wǎng)絡(luò)計算過程中最終的參數(shù)之一，其直接與需要訓(xùn)練的參數(shù)有關(guān)，更加與圖像識別的正確率密切聯(lián)系。但是從整體效率的角度看，深度的提升并不會帶來參數(shù)的大幅度增加，但是正確率卻因此有著顯著提升。因此在卷積神經(jīng)網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)層數(shù)通過會超過普通神經(jīng)網(wǎng)絡(luò)，但也會對實際運算過程進行監(jiān)督，查看具體應(yīng)用情況。

其次，卷積神經(jīng)網(wǎng)絡(luò)算法中的結(jié)構(gòu)同樣不容忽視。之前的一些研究中多采用較大的卷積核，雖然這樣做能夠更好獲取到圖像特征，但是會造成需要訓(xùn)練的參數(shù)增加，進一步限制了整體算法的性能。當前為了改善運算效率，多采用較小的卷積核，并且為了能夠方便地調(diào)整算法，并兼顧算法的拓展性，引入的結(jié)構(gòu)應(yīng)當可以直接疊加而不必引入新的神經(jīng)層。實際工作中可以選擇多個神經(jīng)層共同參與運算，每個卷積層之后均包含有對應(yīng)的Rectified Linear Units層，處于中間的層級多采用3×3或者5×5尺寸的卷積核，兩端則多為1×1卷積核，使得與使用任何卷積核的神經(jīng)層都可以直接相連，保持整體良好的融合特征。

最后，卷積神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)，也成為影響其工作效率和效果的重要因素。一個比較典型的做法，是首先對輸入的圖像展開一個大卷積核神經(jīng)層加工，確保訓(xùn)練時間得到控制的同時有效降低錯誤率。并且可以考慮以全連接型的神經(jīng)網(wǎng)絡(luò)和Softmax回歸作為算法結(jié)構(gòu)的結(jié)尾，輸出概率最高的幾個處理結(jié)果，便于衡量算法準確率。

4 結(jié)論

對于卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域的應(yīng)用而言，一方面需要深入分析該種算法的內(nèi)在特征，另一個方面則需要關(guān)注不同類別不同環(huán)境中產(chǎn)生的圖像本身的特征，必要的情況下綜合其他算法作為輔助，提升卷積神經(jīng)網(wǎng)絡(luò)識別的整體效果。

[1] Alex Krizhevsky,Ilya Sutskever, Geoff Hinton.Imagenet classification with deep con-volutional neural networks[J]. Advances in Neural Information Processing Systems 25,2012:1106-1114.

[2] DH Hubel,TN Wiesel.Receptive fields,binocular interaction,and functional architecture in the cat's visual cortex[J].Journal of Physiology(London),1962,160:106-154.

[3] K.Fukushima,Neocognitron:A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J].Biological Cybernetics,1980,36:193-202.