基于CiteSpace的卷積神經(jīng)網(wǎng)絡(luò)可視化分析研究

莫蘭蕊　龍濤　李妹燕

摘要：為了研討卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)領(lǐng)域的應(yīng)用及發(fā)展趨勢(shì)，文章選擇2010-2021年中國(guó)知網(wǎng)中以“卷積神經(jīng)網(wǎng)絡(luò)”為篇名的2818篇核心期刊論文作為研究樣本，采用文獻(xiàn)計(jì)量方法，借助CiteSpace軟件對(duì)核心期刊文獻(xiàn)進(jìn)行可視化分析，文章主要梳理了國(guó)內(nèi)核心期刊關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的研究熱點(diǎn)，從作者、發(fā)文機(jī)構(gòu)、關(guān)鍵詞等角度分析卷積神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀和發(fā)展趨勢(shì)，研究結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)視覺(jué)上圖像處理以及深度學(xué)習(xí)的多維度將成為未來(lái)研究熱點(diǎn)。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);知識(shí)圖譜;可視化;圖像處理;深度學(xué)習(xí)

中圖分類(lèi)號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）09-0063-04

1 引言

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習(xí)（Deep Learning）的代表算法之一。神經(jīng)網(wǎng)絡(luò)是受到生物神經(jīng)元間的鏈接方式的啟發(fā)而出現(xiàn)的，逐漸發(fā)展為卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[1]。在20世紀(jì)60年代，Hubel和Wiesel在鉆研貓腦皮層中用于部分敏感和目標(biāo)方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)構(gòu)造能夠有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，通過(guò)這個(gè)研究發(fā)現(xiàn)，他們繼而提出了卷積神經(jīng)網(wǎng)絡(luò)這一名詞。經(jīng)過(guò)往后的推廣，明確地說(shuō)明了卷積神經(jīng)網(wǎng)絡(luò)是得到廣泛應(yīng)用的一種人工神經(jīng)網(wǎng)絡(luò)，也是首個(gè)真正被成功訓(xùn)練的深層神經(jīng)網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的重要推動(dòng)力，近年來(lái)取得了重大的突破，在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理和遙感圖像理解等領(lǐng)域有出色的表現(xiàn)[2]。而且卷積神經(jīng)網(wǎng)絡(luò)（全卷積神經(jīng)網(wǎng)絡(luò)）在深度學(xué)習(xí)中表現(xiàn)出強(qiáng)大的潛能，逐漸成為圖像語(yǔ)義分割問(wèn)題的首選[3]。在計(jì)算機(jī)領(lǐng)域當(dāng)中，卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的處理是進(jìn)行圖像識(shí)別，因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)避免了對(duì)圖像處理的復(fù)雜性前期與處理，能夠直接輸入原始圖像，因此得到了更為廣泛的使用[4]。圖像識(shí)別是一種利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入的數(shù)據(jù)進(jìn)行特征提取，利用提取的特征實(shí)現(xiàn)目標(biāo)的分類(lèi)與定位[5]，以識(shí)別各種不同模式的目標(biāo)和對(duì)象的技術(shù)，是計(jì)算機(jī)視覺(jué)的一個(gè)主要研究方向，在以圖像為主體的智能化數(shù)據(jù)采集與處理中具有十分重要的作用和影響。

本文借助CiteSpace可視化分析軟件對(duì)卷積神經(jīng)網(wǎng)絡(luò)相關(guān)核心期刊文獻(xiàn)進(jìn)行可視化分析，進(jìn)一步對(duì)卷積神經(jīng)網(wǎng)絡(luò)展開(kāi)研究，并且重點(diǎn)研究它在計(jì)算機(jī)學(xué)科領(lǐng)域上的應(yīng)用和發(fā)展趨勢(shì)。

2 數(shù)據(jù)來(lái)源與研究方法

2.1 數(shù)據(jù)來(lái)源

本文利用中國(guó)知網(wǎng)（CNKI）上收錄的核心期刊文獻(xiàn)能夠較全面地反映出卷積神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域上的應(yīng)用，因此本文的數(shù)據(jù)來(lái)源于中國(guó)知網(wǎng)CNKI學(xué)術(shù)期刊庫(kù)的核心期刊文獻(xiàn)。本文在收集數(shù)據(jù)時(shí)，打開(kāi)中國(guó)知網(wǎng)（CNKI）首頁(yè)，點(diǎn)擊“學(xué)術(shù)期刊”導(dǎo)航按鈕，選擇高級(jí)檢索，以“卷積神經(jīng)網(wǎng)絡(luò)”為篇名，選擇“中英文擴(kuò)展”，時(shí)間范圍設(shè)置為2010—2021年，來(lái)源類(lèi)別選擇“北大核心”和“CSSCI”，檢索的結(jié)果是2818篇，將檢索到的核心期刊通過(guò)點(diǎn)擊“導(dǎo)出與分析”并選擇導(dǎo)出文獻(xiàn)，然后選擇以“RefWorks”格式導(dǎo)出。

由于檢索到的核心期刊文獻(xiàn)覆蓋領(lǐng)域較廣，為了保障數(shù)據(jù)的真實(shí)性和有效性，對(duì)檢索到的核心期刊文獻(xiàn)做人工篩選，剔除以下內(nèi)容：1）刊名為雜志、報(bào)道、通報(bào)等文章。2）沒(méi)有作者的文章。3）與計(jì)算機(jī)學(xué)科不相關(guān)的文章等。最終篩選出的核心期刊文獻(xiàn)為1821篇。

2.2 論文研究的方法

本文主要研究卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)領(lǐng)域上的應(yīng)用和發(fā)展趨勢(shì)。采用文獻(xiàn)計(jì)量方法，通過(guò)CiteSpace可視化軟件對(duì)1821篇核心期刊文獻(xiàn)進(jìn)行可視化分析。CiteSpace軟件是由美國(guó)德雷塞爾大學(xué)信息科學(xué)與技術(shù)學(xué)院英籍華人陳超美教授在2014年開(kāi)發(fā)的軟件[6]。CiteSpace可視化軟件在國(guó)內(nèi)有個(gè)別名叫作引文空間，在科學(xué)計(jì)量學(xué)、數(shù)據(jù)和信息可視化背景下逐步發(fā)展起來(lái)的，是一項(xiàng)專(zhuān)門(mén)分析科學(xué)研究中潛在知識(shí)的文獻(xiàn)（引文）可視化分析軟件。本文采用的是CiteSpace5.8.R1版本，對(duì)卷積神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)作者、機(jī)構(gòu)、關(guān)鍵詞進(jìn)行共現(xiàn)和聚類(lèi)分析，生成相應(yīng)的知識(shí)圖譜，以便于學(xué)者們對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行后續(xù)的研究。

3 數(shù)據(jù)分析

3.1 文獻(xiàn)年度發(fā)文量分析

對(duì)文獻(xiàn)各個(gè)年度的發(fā)文量進(jìn)行統(tǒng)計(jì)便可以得出廣大學(xué)者對(duì)某一主題的研究關(guān)注度和投入度，本文統(tǒng)計(jì)了2010—2021年度的發(fā)文量，共得到2818篇核心期刊文獻(xiàn)，對(duì)檢索結(jié)果進(jìn)行可視化分析統(tǒng)計(jì)后發(fā)現(xiàn)如圖1所示，卷積神經(jīng)網(wǎng)絡(luò)在近幾年發(fā)文量呈現(xiàn)上升趨勢(shì)，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)近幾年在國(guó)內(nèi)引起廣大學(xué)者的關(guān)注和重視，特別是在2019年，年度發(fā)文量達(dá)到了663篇，這表明卷積神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展和廣泛應(yīng)用，同時(shí)2021年預(yù)測(cè)到的發(fā)文量是957篇。就目前的情況而言，發(fā)文量在持續(xù)上升，卷積神經(jīng)網(wǎng)絡(luò)成了研究熱點(diǎn)，說(shuō)明未來(lái)幾年學(xué)者們對(duì)卷積神經(jīng)網(wǎng)絡(luò)還會(huì)有更深入的研究，同時(shí)卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)領(lǐng)域上還會(huì)得到持續(xù)的發(fā)展，相關(guān)發(fā)文量也會(huì)繼續(xù)上升。

3.2 文獻(xiàn)發(fā)文作者分析

統(tǒng)計(jì)作者的相關(guān)信息有利于發(fā)現(xiàn)作者之間的合作關(guān)系，同時(shí)對(duì)作者進(jìn)行分析，可以準(zhǔn)確地了解到研究領(lǐng)域中的權(quán)威學(xué)者（專(zhuān)家），因?yàn)樗麄儗?duì)自己研究的領(lǐng)域有著較全面、較充分地理解，也有著豐富的知識(shí)理念，同時(shí)也已經(jīng)形成較成熟的知識(shí)體系。對(duì)權(quán)威學(xué)者的文獻(xiàn)進(jìn)行閱讀，可以快速地了解該研究領(lǐng)域的知識(shí)和相關(guān)主題的應(yīng)用，同時(shí)也可以實(shí)時(shí)了解到最新的研究狀況和所在領(lǐng)域前沿。本文使用CiteSpace可視化分析軟件對(duì)作者進(jìn)行可視化分析，設(shè)置時(shí)間范圍是2010—2021年，時(shí)間切片為1，Node Types選擇“Author”，得到了卷積神經(jīng)網(wǎng)絡(luò)研究發(fā)文作者的知識(shí)圖譜，圖中名字字體越大表示發(fā)文量越多，如圖2作者共現(xiàn)圖所示。得到的關(guān)鍵節(jié)點(diǎn)N=309個(gè)、關(guān)鍵路線E=184個(gè)。其中發(fā)文較多的作者為周建平（5篇）、曾上游（5篇）。最后對(duì)發(fā)文量進(jìn)行統(tǒng)計(jì)。發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)者發(fā)文量都相對(duì)較少，學(xué)者之間的合作也比較少，如表1作者首次發(fā)文及文獻(xiàn)量所示。同時(shí)，從數(shù)據(jù)中可以明確地知道，發(fā)文數(shù)量較多學(xué)者大多數(shù)是在2018年開(kāi)始發(fā)表關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的文章，時(shí)間線緊跟生活，卷積神經(jīng)網(wǎng)絡(luò)在近年也逐漸成為研究熱點(diǎn)。對(duì)于卷積神經(jīng)網(wǎng)絡(luò)的研究，本文認(rèn)為，學(xué)者之間應(yīng)該相互交流，雖然卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)也有了一段時(shí)間，但是其涉及的領(lǐng)域以及研究意義值得學(xué)者們一起去研討。

3.3 發(fā)文機(jī)構(gòu)分析

對(duì)發(fā)文機(jī)構(gòu)進(jìn)行可視化分析，可以得到機(jī)構(gòu)發(fā)文網(wǎng)絡(luò)以及機(jī)構(gòu)與機(jī)構(gòu)之間的合作關(guān)系，本文可以根據(jù)分析得出卷積神經(jīng)網(wǎng)絡(luò)在不同機(jī)構(gòu)中的分布情況。

在CiteSpace中將“Author”改為“institution”，其余條件保持不變，得到了機(jī)構(gòu)共現(xiàn)知識(shí)圖譜如圖3所示。在知識(shí)圖譜中，機(jī)構(gòu)名字越大，表明機(jī)構(gòu)的發(fā)文量就越多，機(jī)構(gòu)發(fā)文量體現(xiàn)出機(jī)構(gòu)在該領(lǐng)域的科研能力和科研水平，以及對(duì)研究主題的專(zhuān)注度。由于圖中數(shù)據(jù)不是很清晰，因此對(duì)后臺(tái)數(shù)據(jù)做了一些統(tǒng)計(jì)，統(tǒng)計(jì)出發(fā)文量排名前十的機(jī)構(gòu)，如表2所示，這樣更能方便讀者們閱讀。數(shù)據(jù)表明，有挺多的機(jī)構(gòu)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，促進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，但是在知識(shí)圖譜中，也得知機(jī)構(gòu)之間沒(méi)有合作關(guān)系，各個(gè)機(jī)構(gòu)都是自發(fā)地研究卷積神經(jīng)網(wǎng)絡(luò)。由此可見(jiàn)，在國(guó)內(nèi)大部分機(jī)構(gòu)都是按照區(qū)域劃分的，這也導(dǎo)致相關(guān)領(lǐng)域之間跨機(jī)構(gòu)、跨學(xué)科、跨地區(qū)合作相對(duì)較少，在這方面的合作還需要不斷加強(qiáng)，機(jī)構(gòu)之間多多交流，也能促進(jìn)機(jī)構(gòu)的發(fā)展和知識(shí)的傳遞。

3.4 關(guān)鍵詞詞頻分析

對(duì)于一篇文獻(xiàn)而言，關(guān)鍵詞算是重中之重，關(guān)鍵詞是對(duì)一篇文章的高度凝練和概括，文章的主題就是圍繞著關(guān)鍵詞來(lái)寫(xiě)的，因此運(yùn)用CiteSpace可視化分析軟件對(duì)核心期刊文獻(xiàn)進(jìn)行關(guān)鍵詞分析和統(tǒng)計(jì)，才能更好地明確研究的核心期刊文獻(xiàn)的重點(diǎn)主題。

本文運(yùn)用CiteSpace可視化分析軟件，將“Node Types”設(shè)置為“Keyword”，然后其他條件保持不變，對(duì)關(guān)鍵詞進(jìn)行詞頻分析，詞頻分析法是通過(guò)分析關(guān)鍵詞出現(xiàn)的頻數(shù)高低來(lái)確定在某一領(lǐng)域的研究熱點(diǎn)和發(fā)展動(dòng)向。并且關(guān)鍵詞詞頻越高，越能反映該領(lǐng)域的研究熱點(diǎn)。在得到關(guān)鍵詞的頻度和中心性的圖表后[7]，本文選擇前十的關(guān)鍵詞對(duì)其進(jìn)行分析如表3所示。圖中高頻關(guān)鍵詞為“深度學(xué)習(xí)”和“卷積神經(jīng)網(wǎng)絡(luò)”，“深度學(xué)習(xí)”中心性最高，其次再到“卷積神經(jīng)網(wǎng)絡(luò)”，畢竟卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法的一種，說(shuō)明眾多研究還是圍繞著“卷深度學(xué)習(xí)”和“卷積神經(jīng)網(wǎng)絡(luò)”的研究為重點(diǎn)。在計(jì)算機(jī)研究領(lǐng)域上，關(guān)鍵詞的代表是“圖像處理”“特征提取”，不過(guò)這兩個(gè)的頻度較低，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)領(lǐng)域是處于發(fā)展中的。

3.5 關(guān)鍵詞共現(xiàn)分析

筆者在CiteSpace中點(diǎn)擊關(guān)鍵詞分析，得到關(guān)鍵詞共現(xiàn)知識(shí)圖譜如圖4所示，其中關(guān)鍵節(jié)點(diǎn)N=506個(gè)，關(guān)鍵路線E=627個(gè)。在關(guān)鍵詞共現(xiàn)知識(shí)圖譜中，能夠清楚地看到“卷積神經(jīng)網(wǎng)絡(luò)”和“深度學(xué)習(xí)”這兩個(gè)詞組的字體是比較大的，字體越大越能說(shuō)明關(guān)鍵詞度中心性的大小，由上文詞頻得知“卷積神經(jīng)網(wǎng)絡(luò)”和“深度學(xué)習(xí)”的中心性是位居一二的，因此根據(jù)圖中關(guān)鍵詞詞組字體的大小，便可知道“卷積神經(jīng)網(wǎng)絡(luò)”“深度學(xué)習(xí)”“圖像處理”“特征提取”“深度卷積神經(jīng)網(wǎng)絡(luò)”等為關(guān)鍵詞共現(xiàn)的重點(diǎn)詞匯[8]。

3.6 關(guān)鍵詞聚類(lèi)分析

在分析文獻(xiàn)時(shí)，為了避免高頻關(guān)鍵詞遺漏信息，本文對(duì)關(guān)鍵詞共現(xiàn)進(jìn)行聚類(lèi)分析。通過(guò)點(diǎn)擊關(guān)鍵詞聚類(lèi)，得到關(guān)鍵詞聚類(lèi)圖如圖5所示，對(duì)于關(guān)鍵詞聚類(lèi)分析，本文要通過(guò)模塊值Q和平均輪廓值S來(lái)判斷CiteSpace軟件聚類(lèi)的顯著性和合理性。當(dāng)Q≥0.3，則說(shuō)明，此時(shí)劃分的聚類(lèi)結(jié)構(gòu)是顯著的;當(dāng)S≥0.5，則說(shuō)明聚類(lèi)是合理的[7]。本文是以一個(gè)時(shí)間切片做聚類(lèi)分析，得到聚類(lèi)分析的Q值是0.6621，S值是0.8616，由此說(shuō)明劃分的聚類(lèi)結(jié)構(gòu)是顯著的，聚類(lèi)是合理的。在分析結(jié)果中，本文統(tǒng)計(jì)了前十個(gè)聚類(lèi)規(guī)模較大的關(guān)鍵詞如表4所示。同時(shí)在CiteSpace軟件上生成時(shí)間序列圖如圖6所示，在CiteSpace中，時(shí)間序列圖是以年份作為時(shí)間軸，展現(xiàn)關(guān)鍵詞隨著年份（時(shí)間）變化特征的時(shí)序圖。在圖的右邊為聚類(lèi)的熱點(diǎn)關(guān)鍵詞，圖中節(jié)點(diǎn)的大小則表示該節(jié)點(diǎn)關(guān)鍵詞的重要程度，節(jié)點(diǎn)所在的位置表示該關(guān)鍵詞出現(xiàn)的時(shí)間。

3.7 關(guān)鍵詞趨勢(shì)分析

在CiteSpace可視化分析軟件中，可以根據(jù)關(guān)鍵詞首次出現(xiàn)的時(shí)間（年份），將2010～2021年間卷積神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的關(guān)鍵詞投射到時(shí)間線的橫坐標(biāo)上，最終得到卷積神經(jīng)網(wǎng)絡(luò)研究的時(shí)區(qū)圖譜如圖7所示。這個(gè)圖是從時(shí)間維度上展現(xiàn)了2010～2021年間每一年新出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)研究主題。同樣的道理，在時(shí)區(qū)圖中，關(guān)鍵詞字體的大小就代表它中心性的大小，字體越大，說(shuō)明它在關(guān)鍵詞詞組中越重要[7]。在圖7中，可以看到，“圖像處理”“圖像分類(lèi)”“特征提取”是從2016開(kāi)始的，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)上圖像處理方面的應(yīng)用是從2016年開(kāi)始的，到2021年圖像分類(lèi)上還是使用到了卷積神經(jīng)網(wǎng)絡(luò)。

4 結(jié)果與討論

通過(guò)使用CiteSpace軟件對(duì)卷積神經(jīng)網(wǎng)絡(luò)的引文進(jìn)行可視化的分析，了解到了關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的一些關(guān)鍵詞和熱點(diǎn)詞匯。首先它是基于深度學(xué)習(xí)算法的，基于算法出身，是不斷優(yōu)化和更新的，因此卷積神經(jīng)網(wǎng)絡(luò)的知識(shí)也不斷地被學(xué)者挖掘、優(yōu)化，繼續(xù)往卷積神經(jīng)網(wǎng)絡(luò)的高深層次和不同緯度發(fā)展、學(xué)習(xí)、研究;其次，卷積神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域都得到廣泛應(yīng)用，介于本文主要研究它在計(jì)算機(jī)領(lǐng)域的應(yīng)用，就不對(duì)其他領(lǐng)域作過(guò)多介紹。

在計(jì)算機(jī)領(lǐng)域方面，卷積神經(jīng)網(wǎng)絡(luò)主要是應(yīng)用于“圖像處理”“特征提取”和“圖像分類(lèi)”，為學(xué)者們?cè)谔幚韴D像時(shí)給予特別大的幫助，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，會(huì)更快的得到圖像的特征因素，而且方便分類(lèi)提取。同時(shí)，經(jīng)過(guò)分析、權(quán)衡利弊之后，發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)領(lǐng)域存在著幾個(gè)問(wèn)題：

1）卷積神經(jīng)網(wǎng)絡(luò)多層分化，在進(jìn)行圖像處理時(shí)，對(duì)于不同類(lèi)型的圖像難以確定要使用哪一層次的卷積神經(jīng)網(wǎng)絡(luò)。

2）隨著卷積神經(jīng)網(wǎng)絡(luò)層次的加深，在篩選合適的層次時(shí)，勢(shì)必會(huì)造成大量的資源消耗，成本也隨之提高了。

3）進(jìn)行特征提取時(shí)，卷積神經(jīng)網(wǎng)絡(luò)還無(wú)法對(duì)大量的數(shù)據(jù)快速識(shí)別并提取到特征因素，其結(jié)構(gòu)還得不斷優(yōu)化，以及在大量數(shù)據(jù)中還得實(shí)現(xiàn)算法并行。

4）近年來(lái)，手機(jī)也在不斷地發(fā)展，手機(jī)對(duì)性能、功能的要求也越來(lái)越多，但卷積神經(jīng)網(wǎng)絡(luò)在手機(jī)上還沒(méi)怎么使用，如何設(shè)計(jì)出精巧的且能在手機(jī)上使用的卷積神經(jīng)網(wǎng)絡(luò)是值得學(xué)者們研討的問(wèn)題。

跟隨著科技的進(jìn)步，未來(lái)人們的生活基本上都用到眼部識(shí)別，要求的圖像分辨率高，機(jī)器掃描眼睛，進(jìn)行圖像對(duì)比，特征提取來(lái)確認(rèn)人們的身份信息或者出行的，可以減少一些不必要的麻煩，目前各種硬件設(shè)備的智能化還沒(méi)有大量普及，因此卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)領(lǐng)域方面還得繼續(xù)發(fā)展，跟進(jìn)時(shí)代的腳步。

生活在信息化時(shí)代，離不開(kāi)科技，也離不開(kāi)學(xué)習(xí)，卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)，是學(xué)者發(fā)現(xiàn)并推廣使用的，而且還發(fā)掘了不同層次的卷積神經(jīng)網(wǎng)絡(luò)，但卷積神經(jīng)網(wǎng)絡(luò)中還有各種結(jié)構(gòu)、層次等著學(xué)者們?nèi)グl(fā)掘和運(yùn)用。

參考文獻(xiàn)：

[1] 董永峰，鄧亞晗，董瑤，等. 基于深度學(xué)習(xí)的聚類(lèi)綜述[J/OL].計(jì)算機(jī)應(yīng)用：1-8[2021-11-14].http：//gfffg0d5ea2b984614a3chbonv9vfop0cq6ovw.fgfy.bsuc.cwkeji.cn/kcms/detail/51.13 07.TP.20210927.1729.016.html.

[2] 張?chǎng)危c安，趙健，等.全卷積神經(jīng)網(wǎng)絡(luò)圖像語(yǔ)義分割方法綜述[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-16[2021-11-14].http：//gfffg0d5ea2b984614a3chbonv9vfop0cq6ovw.fgfy.bsuc.cw keji.cn/kcms/detail/11.2127.TP.20211220.0930.002.html.

[3] 呂伏，劉鐵.基于學(xué)習(xí)率自增強(qiáng)的圖像識(shí)別深度學(xué)習(xí)算法[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（12）：268-273.

[4] 盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016，31（1）：1-17.

[5] 王振華，李靜，張?chǎng)卧拢?面向視頻數(shù)據(jù)的深度學(xué)習(xí)目標(biāo)識(shí)別算法綜述[J/OL].計(jì)算機(jī)工程：1-19[2021-11-14].DOI：10.19678/j.issn.1000-3428.0062227.

[6] 李慢.基于citespace5.2視角的國(guó)內(nèi)人工智能研究可視化分析[J].智庫(kù)時(shí)代，2018（44）：201-202.

[7] 張秦，孫長(zhǎng)坪.基于CiteSpace的我國(guó)營(yíng)商環(huán)境研究重點(diǎn)與趨勢(shì)的知識(shí)圖譜分析[J].統(tǒng)計(jì)與管理，2021，36（11）：124-128.

[8] 王文曦，李樂(lè)林.深度學(xué)習(xí)在點(diǎn)云分類(lèi)中的研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（1）：26-40.

【通聯(lián)編輯：謝媛媛】