深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用

楊風(fēng)光

深度卷積神經(jīng)網(wǎng)絡(luò)屬于類腦計(jì)算領(lǐng)域的一類比較重要的研究，已經(jīng)在一些領(lǐng)域取得了突出的研究成果且被廣泛運(yùn)用。其中在自然語(yǔ)言處理、信息搜索、聲音識(shí)別、計(jì)算機(jī)視覺(jué)以及語(yǔ)義理解等方面。因?yàn)檫@些成就導(dǎo)致在工業(yè)和學(xué)術(shù)領(lǐng)域人們開(kāi)始對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，同時(shí)促進(jìn)了人工智能的開(kāi)發(fā)，只需在卷積神經(jīng)網(wǎng)絡(luò)傳入數(shù)據(jù)，就可以根據(jù)數(shù)據(jù)表現(xiàn)出相應(yīng)的癥狀。

1引言

很早之前，人類就幻想可以制造出機(jī)器人，擁有人類類似的大腦。為實(shí)現(xiàn)這一愿望，研究腦神經(jīng)與心理的專家對(duì)人腦的構(gòu)造進(jìn)行了大量的研究，通過(guò)各種數(shù)據(jù)得到大量的相關(guān)結(jié)論，并運(yùn)用到人工智能的開(kāi)發(fā)領(lǐng)域中去。在這樣的情況下，一些專家提出了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的研究，其借鑒計(jì)算機(jī)模型來(lái)模擬人類大腦的神經(jīng)結(jié)構(gòu)，并將其進(jìn)行總結(jié)歸納，構(gòu)建神經(jīng)網(wǎng)絡(luò)系統(tǒng)，然后經(jīng)過(guò)大量的研究發(fā)展，成為了類腦計(jì)算領(lǐng)域的重要研究成果。

在這個(gè)方面，專業(yè)人員提出大量模型，其中比較著名的有反傳網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)等，其在各種方式的識(shí)別中取得了一些成績(jī)，并進(jìn)行廣泛的應(yīng)用。

2卷積神經(jīng)網(wǎng)絡(luò)及其相關(guān)技術(shù)

2.1增加網(wǎng)絡(luò)層數(shù)

卷積神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)，其形成是由于特征提取的卷積層與特征處理的采樣層疊加形成的，在多年的研究中，使用到了很多研究技術(shù)，其中增加網(wǎng)絡(luò)層數(shù)是一個(gè)比較重要的技術(shù)。其作用范圍是在標(biāo)簽數(shù)據(jù)不變的基礎(chǔ)上，提高深度神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確度。但是其在使用過(guò)程中存在一定的缺陷，首先對(duì)于比較大的網(wǎng)絡(luò)結(jié)構(gòu)。其參數(shù)的需求量比較大，過(guò)多的參數(shù)會(huì)使網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)集的過(guò)擬合。另一方面是對(duì)于計(jì)算資源的需求量比較大。這兩方面缺陷的存在使技術(shù)的使用受到阻礙。

2.2增加訓(xùn)練數(shù)據(jù)集規(guī)模

過(guò)擬合出現(xiàn)的原因是訓(xùn)練的神經(jīng)網(wǎng)絡(luò)比較大，且沒(méi)有足夠的訓(xùn)練數(shù)據(jù)或者由于訓(xùn)練的模型比較復(fù)雜，數(shù)據(jù)干擾大，對(duì)其準(zhǔn)確度的重視度降低，一旦出現(xiàn)過(guò)擬合的現(xiàn)象，會(huì)隨著訓(xùn)練的進(jìn)行，其模型變得更加復(fù)雜，雖然會(huì)使訓(xùn)練上的出錯(cuò)率降低，但是在驗(yàn)證集上的錯(cuò)誤率升高。因此，為避免這一現(xiàn)象的出現(xiàn)，我們需要做的就是增加訓(xùn)練樣本的數(shù)量。

2.3正則化

正規(guī)化是用來(lái)避免隨著訓(xùn)練神經(jīng)網(wǎng)絡(luò)的增大而出現(xiàn)的擬合問(wèn)題的辦法。經(jīng)過(guò)大量數(shù)據(jù)的分析可以看出，過(guò)擬合一般是出現(xiàn)在比較小的空間中，因?yàn)閿?shù)據(jù)形成的函數(shù)值改變比較大，導(dǎo)致函數(shù)的參數(shù)值比較大，會(huì)使一些區(qū)間比較小的函數(shù)絕對(duì)值比較大。而正規(guī)化可以利用其阻止函數(shù)的浮動(dòng)范圍太大，來(lái)降低模型的復(fù)雜程度，進(jìn)而降低過(guò)擬合的出現(xiàn)。

3卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

3.1目標(biāo)檢測(cè)

目標(biāo)檢測(cè)的作用是判斷檢測(cè)目標(biāo)的類別，其監(jiān)測(cè)的對(duì)象是定位的圖像中特定物體所出現(xiàn)的區(qū)域，這一應(yīng)用是計(jì)算機(jī)視覺(jué)領(lǐng)域的一項(xiàng)基本內(nèi)容。其檢測(cè)的目的更加注重圖像的局部區(qū)域與特定物體的類別集合，是一個(gè)比圖像識(shí)別更加復(fù)雜的識(shí)別問(wèn)題。比較舊的目標(biāo)檢測(cè)算法主要的使用原理是利用設(shè)計(jì)人的先驗(yàn)知識(shí)，然后獲取樣本中的手工設(shè)計(jì)特點(diǎn)，使用比較少的參數(shù)，效率會(huì)提升。

3.2圖像分類

圖像分類是比較重要的應(yīng)用，作用是利用計(jì)算機(jī)依據(jù)圖片的內(nèi)容進(jìn)行分類，并進(jìn)行語(yǔ)義類別的標(biāo)記，對(duì)象是特定的一張照片。

3.3圖像語(yǔ)義分割

在近幾年，人們對(duì)人工智能比較重視，因此，對(duì)計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)等方向的研究比較多，隨著其研究的加深，專業(yè)人員講重點(diǎn)放在了圖像本身，對(duì)其進(jìn)行更加準(zhǔn)確的分析和了解。而圖像語(yǔ)義分割正是在這樣的情況下提出來(lái)的，圖像進(jìn)行分割之后，對(duì)其分割后所有分割區(qū)域與像素的語(yǔ)義類別進(jìn)行分類，且可以準(zhǔn)確識(shí)別，舊的圖像語(yǔ)義分割步驟有3種，其一圖像的底層分割，將圖片劃分成多個(gè)小的區(qū)域；其二是獲得小區(qū)域的底層特點(diǎn)，比如，形狀特征、顏色等；其三是從底層的特點(diǎn)到高層的語(yǔ)義空間的映射，其目的是為了識(shí)別圖像的具體區(qū)域與圖像的每一個(gè)像素的語(yǔ)義種類。

3.4人臉識(shí)別

人臉識(shí)別對(duì)計(jì)算機(jī)視覺(jué)方面是一個(gè)比較大的難題，技術(shù)比較難實(shí)現(xiàn)，其目的分為人臉驗(yàn)證與人臉辨別。人臉驗(yàn)證的目的是為了辨別出任意2張人臉是否為一個(gè)人的，這是一個(gè)二分類的問(wèn)題，隨機(jī)猜測(cè)的正確概率為50 %。人臉辨別的目的是把一個(gè)未知的人臉照片分割成幾個(gè)身份類型之一，是多分類題目，隨機(jī)猜測(cè)的正確概率為N分之一，其正確率比人臉驗(yàn)證更低，因此其挑戰(zhàn)更大。

4結(jié)束語(yǔ)

最近幾年來(lái)，經(jīng)過(guò)專業(yè)人士的不斷研究，深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)方面的研究成就比較多，將這些成果進(jìn)行總結(jié)改造，運(yùn)用在人工智能領(lǐng)域，使人工智能方面得到快速的發(fā)展，不斷地滿足人們對(duì)人工智能的需求。但是在目前的研究中，依然有很多的問(wèn)題需要解決，有很大的發(fā)展空間。