深度學習在圖像識別中的研究與應用

王 顥

0 引言

隨著信息技術(shù)的快速發(fā)展，圖像的數(shù)量呈指數(shù)型增長，圖像識別技術(shù)可以智能、高效地完成海量圖像的分類與識別，因此，圖像識別一直是計算機視覺領(lǐng)域的研究熱點。近年來，深度學習技術(shù)的應用范圍日益擴大，將深度學習應用到圖像識別領(lǐng)域已成為新的研究方向。

1 圖像識別

隨著網(wǎng)絡信息技術(shù)的發(fā)展，各類社交軟件正逐漸成為人們獲取信息、保持與他人聯(lián)絡的必備手段。在這些社交軟件中，圖片由于不會受到語言和文字等地域文化的約束，正在逐漸取代傳統(tǒng)的文字信息表達方式。

圖像識別技術(shù)能夠智能的提取圖像特征、完成圖像分類，現(xiàn)已應用到醫(yī)療、交通、安防等各類生活場景中。圖像識別一般包括圖像預處理、圖像特征提取和圖像分類三個步驟。圖像預處理是通過去除圖像中的噪聲和干擾，增強有用信息，來提高圖像識別的準確率。圖像的特征提取是將圖像轉(zhuǎn)化為“非圖像”的描述，比如數(shù)值表示或向量描述等，其基本思想是將高維空間中的原始圖像映射或變換為低維特征描述。圖像識別是以提取到的圖像特征為基礎，根據(jù)分類決策，得到待識別圖像所屬的類別。

2 深度學習

深度學習是機器學習的一種，其概念源自人工神經(jīng)網(wǎng)絡（ANN），人工神經(jīng)網(wǎng)絡從信息處理角度模擬了人腦的神經(jīng)元之間傳遞和處理信息的模式。2006年，Hinton[1]等人提出深度學習的概念，它是一種包含多隱藏層的神經(jīng)網(wǎng)絡結(jié)構(gòu)，能夠更加抽象、更深層次地描述目標對象的特征。

深度學習一般可以分成有監(jiān)督學習和無監(jiān)督學習，分類的依據(jù)是數(shù)據(jù)是否含有標記。有監(jiān)督學習過程中會找出訓練數(shù)據(jù)的特征與標記之間的映射關(guān)系，并且通過標記不斷糾正學習過程中的偏差，不斷提高學習的預測率。有監(jiān)督學習主要有卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）和深度堆疊網(wǎng)絡（DSN）。無監(jiān)督學習的訓練數(shù)據(jù)沒有標記，常用的算法有受限玻爾茲曼機（RBM）、深度置信網(wǎng)絡（DBN）等。

2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）是深度學習的重要組成部分，也是圖像識別領(lǐng)域中應用較為廣泛的模型之一，CNN模型的優(yōu)點主要在于避免了對圖像處理前期過程中大量的特征提取工作，簡化了圖像預處理的步驟。CNN模型是以圖像的局部關(guān)聯(lián)性和特征重復性為假設條件，即假設圖像某一點的像素一般與其相鄰像素的關(guān)聯(lián)性較大，與其他像素的關(guān)聯(lián)性較小，避免了全連接所必需的大量參數(shù)，這就是CNN的局部連接特性。

2.2 循環(huán)神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）是針對序列數(shù)據(jù)問題而設計的，RNN在網(wǎng)絡模型中引入了定性循環(huán)的概念，信號在兩個神經(jīng)元之間傳遞之后并不會立刻消失。與卷積神經(jīng)網(wǎng)絡不同的是，循環(huán)神經(jīng)網(wǎng)絡中隱藏層神經(jīng)元的輸入不僅包含了上一層神經(jīng)元的輸出，也包含了前一時刻該隱藏層神經(jīng)元的輸出。RNN是具有記憶功能的網(wǎng)絡模型，適合處理序列數(shù)據(jù)，因為序列數(shù)據(jù)具有很強的關(guān)聯(lián)性，前面的數(shù)據(jù)對后面的數(shù)據(jù)有很大的影響[3]。

2.3 生成式對抗網(wǎng)絡

生成式對抗網(wǎng)絡（Generative Adversarial Network，GAN）是由Ian Goodfellow等人于2014年提出的一種無監(jiān)督模型，GAN在對抗過程中估計并生成模型[4]。GAN打破了傳統(tǒng)生成算法的模式，采用博弈方式來優(yōu)化兩個模型，即生成模型G和判別模型D。生成模型G捕捉真實樣本數(shù)據(jù)的分布，并生成新的數(shù)據(jù)樣本。判別模型D是一個二分類器，估計一個輸入樣本來自訓練樣本的概率。與傳統(tǒng)的生成算法相比，GAN只用到反向傳播，與之前的馬爾可夫鏈模式相比效率更高。而且，GAN的損失函數(shù)與傳統(tǒng)的均方誤差相比更加嚴謹，因此GAN在圖像處理和計算機視覺領(lǐng)域取得了廣泛的應用。

3 深度學習在圖像識別中的應用

深度學習具有特征提取能力強、實時性快、識別精度高的優(yōu)點。目前，深度學習已經(jīng)廣泛應用于圖像識別領(lǐng)域的各個方面。

3.1 人臉識別

人臉識別技術(shù)是根據(jù)人臉的特征信息完成身份識別的一種生物智能識別技術(shù)。隨著深度學習技術(shù)的快速發(fā)展，基于深度學習的人臉識別技術(shù)已成為學者們研究的熱點[5]?；谏疃葘W習的人臉識別技術(shù)是由多層非線性感知器構(gòu)成的學習模型，通過大規(guī)模的樣本圖像訓練得到識別模型，不需要進行人工特征提取，在樣本的訓練過程中自主的逐層學習多層信息，識別準確率極高。

隨著人臉識別技術(shù)的日益成熟，人臉表情識別成為近年來人臉識別領(lǐng)域研究的熱點。表情是人類內(nèi)心世界的外在流露，也是人機交互過程中的關(guān)鍵信息。人臉表情識別可以廣泛應用于智能駕駛、醫(yī)療護理、客戶分析等領(lǐng)域，不僅在學術(shù)研究領(lǐng)域具有重要的學術(shù)價值，在工業(yè)界也具有至關(guān)重要的應用價值。

3.2 醫(yī)學圖像識別

醫(yī)學圖像識別的主要目標是從海量的醫(yī)學圖像中高效、準確的提取出有用的病理信息，為醫(yī)學研究、臨床診斷以及疾病治療提供堅實的基礎。目前，卷積神經(jīng)網(wǎng)絡已成為醫(yī)學圖像識別的首選算法，卷積神經(jīng)網(wǎng)絡以卷積算法、池化算法為基礎，逐步提取目標圖像中的病理信息，將提取到的圖像特征集合成高階特征，從而完成醫(yī)學圖像的識別與診斷[6]。

在學習大量的樣本圖像后，深度學習算法獲取的特征信息完全有可能超過醫(yī)生的實踐經(jīng)驗，可以站在專家的高度做出高效的判斷，既減輕了醫(yī)生的負擔，又提高了診療的效率與準確性，對現(xiàn)代醫(yī)學的發(fā)展具有重要的意義。

3.3 遙感圖像識別

隨著遙感圖像分辨率的日益增大，傳統(tǒng)的識別算法已無法滿足遙感圖像的識別要求，因為傳統(tǒng)算法對人工特征提取的依賴性較高。深度學習技術(shù)具有強大的學習能力，可以自動組合低級特征、自動的提取高級特征，還可以采用深層結(jié)構(gòu)的模型完成高分辨率遙感圖像的識別與分類，而且能夠充分利用遙感圖像的空間結(jié)構(gòu)信息。遙感圖像與深度學習技術(shù)相結(jié)合能夠有效地提取遙感圖像的有用特征，在數(shù)據(jù)降維方面的表現(xiàn)尤其突出[7]。許多學者把深度學習應用于遙感圖像識別領(lǐng)域中，在識別建筑、道路、植被、林地、水利等地物時取得了較好的效果。

4 結(jié)語

近年來，深度學習技術(shù)的應用范圍日益廣泛，已成為圖像識別領(lǐng)域的主流應用技術(shù)之一。但是，深度學習模型仍具有待完善的問題，比如訓練數(shù)據(jù)的優(yōu)化問題，這是因為深度學習對訓練數(shù)據(jù)具有很強的依賴性。因此在以后的研究中要考慮如何優(yōu)化訓練數(shù)據(jù)，進一步提高識別準確率。