基于深度學(xué)習(xí)的圖像識(shí)別處理

◆林 杰 李如意

（中國(guó)電子科技集團(tuán)第28研究所 江蘇 210001）

基于深度學(xué)習(xí)的圖像識(shí)別處理

◆林 杰 李如意

（中國(guó)電子科技集團(tuán)第28研究所 江蘇 210001）

近年來(lái)，人工智能已經(jīng)成為了計(jì)算機(jī)視覺與信息語(yǔ)言交互中的重要研究對(duì)象和熱點(diǎn)話題，通過(guò)深度學(xué)習(xí)方法的學(xué)習(xí)和實(shí)踐，來(lái)進(jìn)行對(duì)圖像的處理和描述是十分具有挑戰(zhàn)性的。在這個(gè)過(guò)程中首先需要構(gòu)建神經(jīng)網(wǎng)絡(luò)，從一端的編碼解碼結(jié)構(gòu)到另一端的編碼解碼結(jié)構(gòu)的深度學(xué)習(xí)模型，并且融合了圖像目標(biāo)點(diǎn)檢測(cè)的識(shí)別研究和深度卷積網(wǎng)絡(luò)相關(guān)的記憶模型，從中進(jìn)行信息提取和學(xué)習(xí)處理。這種研究方式更加關(guān)注原始圖像區(qū)域的特征顯示與其他的多種信息處理模塊區(qū)域的結(jié)合，有助于防止丟失處理信息和主題部分操作過(guò)程。在實(shí)驗(yàn)過(guò)程中通過(guò)調(diào)取數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)操作成功生成了圖像描述系統(tǒng)，依次來(lái)對(duì)目標(biāo)進(jìn)行描述。其結(jié)果顯示也超出了綜合預(yù)期水平。最后再通過(guò)多種機(jī)器評(píng)估的方式來(lái)顯示該模塊處理結(jié)果的綜合性能。

深度學(xué)習(xí)；圖像識(shí)別；CNN；LSTM；SSD

0 引言

近年來(lái)，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，人工智能技術(shù)的不斷提高，深度學(xué)習(xí)以及人工智能的需求也日益增大。而支撐其發(fā)展的大量的計(jì)算機(jī)資源的研究。計(jì)算機(jī)通過(guò)對(duì)圖像的“觀察”和“思考”形成自己的認(rèn)知，通過(guò)一套類似于人類的描述語(yǔ)言來(lái)進(jìn)行描述。隨著圖片的不斷革新，圖像識(shí)別遇到的問(wèn)題也日益增多，所以圖像的描述成為了對(duì)計(jì)算機(jī)算法要求更為高級(jí)的組成部分。圖像描述也是對(duì)圖像識(shí)別的進(jìn)一步認(rèn)識(shí)。這也就是所謂的“多模態(tài)”學(xué)習(xí)過(guò)程。

1 研究介紹

早在1999年就有Y.Mori對(duì)計(jì)算機(jī)圖像識(shí)別和描述進(jìn)行了嘗試，只不過(guò)建立方法頗為簡(jiǎn)單，而且自然語(yǔ)言與計(jì)算機(jī)語(yǔ)言結(jié)合不是很完備的條件下無(wú)法像正常情況下來(lái)建立完整的計(jì)算機(jī)對(duì)圖像的描述。

A.Farhadi等人于2010年提出了模塊映射法，其本身是對(duì)空間中圖像描述的映射算法，而在2014年Vinyals等人突出了端到端的圖像描述NIC模型，通過(guò)CNN提取圖像特征基于長(zhǎng)短記憶語(yǔ)言的生成模型。針對(duì)這種生成結(jié)構(gòu)最后進(jìn)行篩選然后得到較為切合實(shí)際的圖像識(shí)別及后續(xù)描述過(guò)程。近幾年來(lái)圖像識(shí)別技術(shù)在不斷的發(fā)展，而更多的重心轉(zhuǎn)移到了對(duì)圖像描述的精確度和自然語(yǔ)言熟悉度的算法研究之中。在語(yǔ)言生成中通過(guò)對(duì)LSTM現(xiàn)有系統(tǒng)的改進(jìn)強(qiáng)化了文本可讀性，從而有了一些新的進(jìn)展。

2 模型介紹

2.1 模型概述

本文通過(guò)NIC模型進(jìn)行改進(jìn)實(shí)驗(yàn)，結(jié)合目標(biāo)檢測(cè)SSD的方法，提取區(qū)域信息，對(duì)結(jié)構(gòu)語(yǔ)言進(jìn)行生成化描述。并且在描述區(qū)域借鑒了ATAE-LSTM模型用以實(shí)踐。

模型圖像處理以一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)作為圖像處理的主要學(xué)習(xí)對(duì)象使用Incption結(jié)構(gòu)的cnn模型。在這個(gè)過(guò)程中通過(guò)SSD提取盡可能多的圖像區(qū)域，然后產(chǎn)生一系列的圖像集合，在這個(gè)過(guò)程中選取圖片之中的有效信息。模型框圖如圖1所示。

圖1 模型框圖

模型對(duì)輸入圖像進(jìn)行特征提取，然后通過(guò)SSD來(lái)進(jìn)行圖像特征檢測(cè)，在輸出部分來(lái)完善工作信息，同樣的再次進(jìn)行特征提取直到最終的自然語(yǔ)言描述能夠生成結(jié)果。語(yǔ)言生成部分是一個(gè)很復(fù)雜的環(huán)節(jié)，首先生成詞匯編碼并嵌入模塊運(yùn)行中，然后通過(guò)LSTM作為運(yùn)行核心，輸入圖像元素后進(jìn)行綜合狀態(tài)評(píng)估，然后對(duì)語(yǔ)句進(jìn)行鏈接，鏈接的同時(shí)載入到LSTM生成器之中。

2.2 卷積神經(jīng)網(wǎng)絡(luò)及特征提取

卷積神經(jīng)網(wǎng)絡(luò)（CNN）在近年來(lái)以一個(gè)非常高的發(fā)展速度在推動(dòng)著科學(xué)研究，并且應(yīng)用于計(jì)算機(jī)視覺之中產(chǎn)生了良好的進(jìn)展。卷積神經(jīng)網(wǎng)路主要以層級(jí)網(wǎng)絡(luò)形式展開，從卷積層，到池化層，到全連接層等等各部分聯(lián)系在一起，由于人工神經(jīng)元的層級(jí)劃分可以分為提取信息的接收部分和數(shù)據(jù)中樞的數(shù)據(jù)特征庫(kù)，這種方式在圖像處理方面應(yīng)用表現(xiàn)的極為出色。

2012年起CNN開發(fā)并推廣了多種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，各個(gè)結(jié)構(gòu)部分都有其對(duì)應(yīng)關(guān)系和使用維度，輸入輸出也隨之變化。

卷積神經(jīng)網(wǎng)絡(luò)首先在圖像預(yù)處理數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，以保證提取特征的準(zhǔn)確度和具備預(yù)備習(xí)慣。在這個(gè)過(guò)程中為了避免語(yǔ)言模型的初始訓(xùn)練會(huì)對(duì)卷積神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)形成破壞，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的權(quán)重部分無(wú)法修復(fù)還原，在預(yù)學(xué)習(xí)過(guò)程中會(huì)選取固定權(quán)重的方法來(lái)得到一個(gè)較好的權(quán)重訓(xùn)練結(jié)果。而后會(huì)根據(jù)預(yù)訓(xùn)練狀況進(jìn)行一部分調(diào)整，這部分被稱作細(xì)節(jié)訓(xùn)練。

2.3 區(qū)域圖像提取

在處理圖像的過(guò)程中，對(duì)圖像中關(guān)鍵信息的處理是尤為重要的，在圖像所呈現(xiàn)的信息中將關(guān)鍵信息提取出來(lái)是對(duì)處理過(guò)程中必不可少的部分，相應(yīng)的對(duì)關(guān)鍵部分的信息做出語(yǔ)言生成是描述過(guò)程的一部分，這樣描述過(guò)程才會(huì)有明確的主次關(guān)系，在語(yǔ)言生成的時(shí)候涵蓋了圖像中全部的內(nèi)容。

在我們所了解的區(qū)域圖像提取中存在著多種提取方式，目前比較常見的是RCNN和兩種RCNN算法的衍生算法，是2015年由Girshick等人連續(xù)提出的。經(jīng)過(guò)長(zhǎng)期的實(shí)驗(yàn)，在2016年又有了新的突破，通過(guò)SSD的方式將信息高效提取，并且形成成熟的目標(biāo)檢測(cè)方式。

由于SSD和RCNN是兩種完全不同的方式，SSD通過(guò)多層卷積來(lái)得到最終輸出結(jié)果區(qū)域，所以SSD作為圖像區(qū)域處理部分選取aspect區(qū)域的圖像之后再送入inception中進(jìn)行特征提取。其圖像提取算法結(jié)構(gòu)如圖2所示。

圖2 圖像提取算法結(jié)構(gòu)

生成候選區(qū)域后會(huì)通過(guò)摘除背景，得到真正的關(guān)鍵詞生成部分，作為aspect，進(jìn)行歸一化圖像尺寸處理后通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，并生成最終的語(yǔ)言模型。由于卷積神經(jīng)網(wǎng)絡(luò)的維度很高，這個(gè)過(guò)程中會(huì)使得語(yǔ)言輸入模型的維度也變成可調(diào)節(jié)維度，使得圖像嵌入向量的維度達(dá)到匹配，將Inception中的輸出映射到512維的圖像嵌入空間之中進(jìn)行處理。

3 訓(xùn)練過(guò)程

3.1 深度學(xué)習(xí)庫(kù)

在數(shù)據(jù)庫(kù)編寫的過(guò)程中語(yǔ)言選取為python，模型通過(guò)擬定的Keras作為最初的深度學(xué)習(xí)構(gòu)建板塊，基于 Keras的高度集成化和模塊化系統(tǒng)來(lái)進(jìn)行下一步的構(gòu)建，但是可能會(huì)導(dǎo)致構(gòu)建不夠靈活，自由度沒有預(yù)期的那樣高。所以在定義LSTM的時(shí)候可能會(huì)遇到一些比較僵硬的結(jié)構(gòu)性問(wèn)題。在這個(gè)過(guò)程中選擇增加編碼量的方式來(lái)解決問(wèn)題。模型中依舊使用SSD結(jié)構(gòu)以及其附屬的一些區(qū)域圖像識(shí)別部分。由于Keras可選擇使用tensorflow作為后端使用，因此其本身可以作為tensorflow的簡(jiǎn)明接口。在tensorflow中會(huì)對(duì)其余的數(shù)據(jù)預(yù)處理，語(yǔ)言生成模型，樣本構(gòu)建，Inception等步驟進(jìn)行控制和完成。

3.2 數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

在數(shù)據(jù)庫(kù)建立的過(guò)程中使用了 MSCOCO數(shù)據(jù)集，MSCOCO數(shù)據(jù)集是一個(gè)標(biāo)準(zhǔn)化的圖片數(shù)據(jù)集，其中擁有82783張訓(xùn)練圖像數(shù)據(jù)集和40504張驗(yàn)證圖片數(shù)據(jù)集，并且針對(duì)每一個(gè)圖片你有5個(gè)描述語(yǔ)句。在圖片描述上做到比較完善的程度。

在確定了數(shù)據(jù)集后便是要進(jìn)行數(shù)據(jù)預(yù)處理，針對(duì)龐大的數(shù)據(jù)量使用tensorflow進(jìn)行維護(hù)大量數(shù)據(jù)輸入的方法來(lái)將訓(xùn)練過(guò)程，驗(yàn)證過(guò)程的數(shù)據(jù)轉(zhuǎn)化成有標(biāo)準(zhǔn)輸入輸出格式的數(shù)據(jù)文件，然后及逆行多線程讀取和操作。

根據(jù) GPU的顯存大小來(lái)確定訓(xùn)練容量，生成的訓(xùn)練結(jié)果由SSD進(jìn)行提取操作，保證所有圖像的維度完全一致，然后通過(guò)Inception對(duì) SSD接收到的數(shù)據(jù)進(jìn)行預(yù)處理，作為輸入數(shù)據(jù)。在SSD訓(xùn)練結(jié)束前設(shè)置目標(biāo)檢測(cè)模塊，對(duì)單張圖像的目標(biāo)檢測(cè)進(jìn)行歸一化處理，在最后生成單元訓(xùn)練數(shù)據(jù)。

由于使用Inception和SSD模型在其他的使用模型上進(jìn)行了一些預(yù)訓(xùn)練處理，所以兩個(gè)模塊的輸入圖像大小和維度應(yīng)該與其他輸入和訓(xùn)練部分保持一致。在使用Inception輸入圖像的時(shí)候保證圖像的維度并且在相互轉(zhuǎn)換的時(shí)候要進(jìn)行 resize操作。由于SSD和Inception的輸入數(shù)值范圍有所差別，使用歸一化操作的時(shí)候還需要進(jìn)行嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)處理以避免訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)不一致。

3.3 嵌入開發(fā)研究

嵌入過(guò)程分為詞語(yǔ)嵌入和語(yǔ)言模擬生成開發(fā)兩個(gè)部分，兩個(gè)部分中由于模擬詞庫(kù)的大小為12000，所以在同樣長(zhǎng)度不同大小的詞語(yǔ)在被調(diào)用的時(shí)候要加入pad標(biāo)簽，通過(guò)添加相應(yīng)的指示標(biāo)簽來(lái)決定語(yǔ)句的起始和終止。詞語(yǔ)嵌入模型服從固定的編碼集合和映射，在512維度的詞向量空間中與之對(duì)應(yīng)提取，使用表達(dá)，生成最終的自然語(yǔ)言描述。

而語(yǔ)言生成部分的模擬是通過(guò)LSTM現(xiàn)有模塊來(lái)進(jìn)行，其本身?yè)碛?12層隱退狀態(tài)，因素個(gè)號(hào)詞庫(kù)通過(guò)概率輸出，在避免過(guò)擬合的過(guò)程中在詞向量外部包裹aspect特征進(jìn)行初始化。這兩部分的主要目的都是對(duì)圖像進(jìn)行預(yù)處理。

3.4 訓(xùn)練過(guò)程

訓(xùn)練過(guò)程是對(duì)卷積神經(jīng)網(wǎng)絡(luò)使用的最重要的過(guò)程，在訓(xùn)練之前需要對(duì)整個(gè)數(shù)據(jù)庫(kù)中的訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，并且在之后輸入數(shù)據(jù)的時(shí)候要使得輸入數(shù)據(jù)和訓(xùn)練數(shù)據(jù)預(yù)處理的過(guò)程一致，維度，大小匹配才不會(huì)出現(xiàn)錯(cuò)誤。訓(xùn)練過(guò)程的參數(shù)如表1所示。

表1 訓(xùn)練過(guò)程參數(shù)

根據(jù)如上參數(shù)進(jìn)行對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，在完成了基礎(chǔ)訓(xùn)練之后可以加入一些微調(diào)訓(xùn)練，使得整個(gè)參數(shù)模型得到改善，并且針對(duì)Inception和SSD的權(quán)重進(jìn)行訓(xùn)練，起到適應(yīng)MSCOCO數(shù)據(jù)庫(kù)的特性。

4 結(jié)果評(píng)估

4.1 訓(xùn)練預(yù)期

從訓(xùn)練的角度來(lái)看訓(xùn)練分為三個(gè)部分，一個(gè)是訓(xùn)練時(shí)期，一個(gè)是訓(xùn)練方式，一個(gè)是訓(xùn)練的預(yù)期結(jié)果。在時(shí)間成本上參考了NIC模型，在訓(xùn)練過(guò)程中進(jìn)行了1000000個(gè)batch的訓(xùn)練內(nèi)容，并且通過(guò)2000000個(gè)batch的訓(xùn)練內(nèi)容來(lái)對(duì)其數(shù)據(jù)處理能力進(jìn)行了微調(diào)，以此來(lái)達(dá)到最好的訓(xùn)練效果。訓(xùn)練過(guò)程中加大訓(xùn)練量和微調(diào)部分的數(shù)據(jù)輸入可以更好的實(shí)現(xiàn)結(jié)果中的精確程度和模型最優(yōu)。在評(píng)估過(guò)程中依舊需要進(jìn)行大量的訓(xùn)練來(lái)進(jìn)行參考，這次參照的模型NIC模型也是國(guó)內(nèi)最優(yōu)模型。

4.2 深度學(xué)習(xí)訓(xùn)練詳細(xì)過(guò)程

在評(píng)估過(guò)程中采取最好的辦法就是人為評(píng)估，由于機(jī)器評(píng)估的局限性和理想劃分效果的不可變性，因此很難達(dá)到我們所謂的人工智能效果。但是由于工作量的緣故更多的數(shù)據(jù)由計(jì)算機(jī)來(lái)進(jìn)行聘雇和測(cè)試。由于選取的 NIC模型是一種目前較為完善的模型，并且在此基礎(chǔ)上進(jìn)行了改進(jìn)，所以大多數(shù)實(shí)驗(yàn)結(jié)果都是優(yōu)于常規(guī)NIC模型的，不過(guò)NIC模型是一個(gè)經(jīng)過(guò)了完整訓(xùn)練的模型參考，所以其輸出結(jié)果在一些其他方面依舊是有著很高的評(píng)價(jià)。

由神經(jīng)框架來(lái)進(jìn)行學(xué)習(xí)最終實(shí)現(xiàn)完整的生成數(shù)是一個(gè)十分強(qiáng)大的序列模型，通過(guò)定制化輸入給出最大化的語(yǔ)句輸入學(xué)習(xí)環(huán)境，從結(jié)果上來(lái)看較為先進(jìn)。

首先我們根據(jù)實(shí)驗(yàn)過(guò)程來(lái)對(duì)圖像進(jìn)行一系列的描述部分，在使用卷積神經(jīng)網(wǎng)絡(luò)的時(shí)候我們調(diào)整變量長(zhǎng)度，給出確切形式，作為輸入和輸出來(lái)進(jìn)行進(jìn)一步的處理。

而另一部分關(guān)于描述圖像的過(guò)程就是語(yǔ)句生成器的部分，在設(shè)計(jì)了訓(xùn)練過(guò)程后要根據(jù)設(shè)計(jì)的訓(xùn)練步驟進(jìn)行語(yǔ)句的生產(chǎn)和挖掘，在一個(gè)圖像的描述過(guò)程中，語(yǔ)句生成無(wú)疑是一個(gè)很重要的部分，關(guān)系到整個(gè)圖像的描述完整性和輸出結(jié)果的準(zhǔn)確性，直接反饋到卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練成果。語(yǔ)言生成引用LSTM結(jié)構(gòu)，是一種遞歸方式，通過(guò)遞歸網(wǎng)路來(lái)實(shí)現(xiàn)最終輸出。

圖3 LSTM結(jié)構(gòu)

如圖3所示，在LSTM中包含了三個(gè)門控制單眼，藍(lán)色線條顯示了遞歸的連接和運(yùn)算過(guò)程，在時(shí)刻t-1的時(shí)候輸出m通過(guò)三個(gè)門在時(shí)刻t反饋到儲(chǔ)存器之中。

之后對(duì) LSTM進(jìn)行多次遞歸實(shí)踐，通過(guò)多次實(shí)踐來(lái)增加對(duì)LSTM的魯棒訓(xùn)練，以消除其本身可能具有的消失和過(guò)載等情況。其訓(xùn)練過(guò)程如圖4所示。

圖4 LSTM的訓(xùn)練過(guò)程

4.3 圖像描述

在本文中我們得到了一些實(shí)驗(yàn)結(jié)果作為示例來(lái)給出結(jié)論，在本文的模型中生成了一些同步訓(xùn)練樣本，樣本的掃描得益于aspect的特征提取，這些圖中的文本識(shí)別可以識(shí)別出nic模型中未識(shí)別出的信息，具體的描述結(jié)果如圖5所示。

圖5 圖像描述結(jié)果

在對(duì)比了nic模塊后發(fā)現(xiàn)其中尚且包含著一些未被識(shí)別的信息出現(xiàn)，但是其信息量已經(jīng)很小了，而且由于訓(xùn)練步驟有限的問(wèn)題仍然會(huì)導(dǎo)致一些不可避免的事情發(fā)生，但是其結(jié)果的誤差在可控范圍之內(nèi)。

在上述案例中，雖然在一些圖片中識(shí)別出了圖片中的有效信息，但是信息還是存在重復(fù)出現(xiàn)隨機(jī)生成結(jié)果不準(zhǔn)確的問(wèn)題存在著，這其中的nic模型結(jié)果就是在不斷實(shí)踐后的訓(xùn)練下得到的，進(jìn)行了重復(fù)訓(xùn)練有助于緩解這些不完全信息的產(chǎn)生。

在描述和檢測(cè)過(guò)程中檢測(cè)應(yīng)用在圖像之中應(yīng)用 SSD提取圖像區(qū)域信息作為aspect信息提供生成模型來(lái)作為保險(xiǎn)可以避免數(shù)據(jù)丟失和關(guān)鍵信息造成的損失，在最終結(jié)果中得到了結(jié)論性驗(yàn)證。由于本文中選取的SSD是集成模塊，所以在關(guān)鍵區(qū)域提取的正確性上沒有做很完善的檢驗(yàn)工作，在人眼手動(dòng)檢查了一些圖像之后會(huì)在其中發(fā)現(xiàn)一些小的錯(cuò)誤，在提取圖像關(guān)鍵信息的過(guò)程中提取了一些圖片中的明顯因素但是這不是圖片中的關(guān)鍵點(diǎn)。

在相比較 NIC數(shù)據(jù)庫(kù)模型的時(shí)候會(huì)發(fā)現(xiàn)由于訓(xùn)練不足的情況會(huì)出現(xiàn)不完全呈現(xiàn)的狀況，那么隨著技術(shù)的革新和發(fā)展，訓(xùn)練速度也一定會(huì)得到提升，進(jìn)而使得圖像識(shí)別描述模塊有所提升。

5 結(jié)語(yǔ)

在設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別處理中將自然語(yǔ)言描述作為一個(gè)重要的組成部分進(jìn)行梳理和研究，將該工作提升到端到端的層次，依此建立了由端到端的深度模型，在模型搭載過(guò)程中使用 inceptionV3，SSD，LSTM 等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，這些結(jié)構(gòu)有一部分是經(jīng)過(guò)借鑒和改良的結(jié)構(gòu)網(wǎng)，其效果要超過(guò)本身的結(jié)構(gòu)。并且借鑒了aspect的設(shè)計(jì)思路來(lái)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)言描述學(xué)習(xí)進(jìn)行了優(yōu)化和設(shè)計(jì)。在實(shí)驗(yàn)中也是得到了一些較為具有競(jìng)爭(zhēng)力的結(jié)果。這些結(jié)果本身是以模塊化的形式出現(xiàn)，同樣的以模塊化的形式作為搭載依據(jù)，并且根據(jù)其模塊的特殊性和卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程來(lái)制定了統(tǒng)一規(guī)格的輸入維度和大小，這些都是在模塊建立中必不可少的部分。

實(shí)驗(yàn)中采取訓(xùn)練，監(jiān)察訓(xùn)練，輸入測(cè)試數(shù)據(jù)然后輸出，最后首先由機(jī)器進(jìn)行只能誤差分析，然后再由人工進(jìn)行手動(dòng)誤差分析。在分析過(guò)程中對(duì)nic結(jié)構(gòu)的借鑒進(jìn)行了改進(jìn)，加速了訓(xùn)練時(shí)間，在進(jìn)一步的檢驗(yàn)環(huán)境中打下了基礎(chǔ)。

在之后的模塊設(shè)計(jì)和實(shí)驗(yàn)過(guò)程中，首先要做到的是減少信息的重復(fù)錄入與不正確輸出的產(chǎn)生，其次要轉(zhuǎn)換設(shè)計(jì)思路，讓訓(xùn)練過(guò)程加速。在將這些問(wèn)題克服了之后基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)處理上對(duì)于圖像描述部分一定會(huì)有一個(gè)顯著提高。

[1] 余永維,殷國(guó)富,殷鷹,杜柳青．基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識(shí)別方法．儀器儀表學(xué)報(bào)，2012．

[2] 豐曉霞．基于深度學(xué)習(xí)的圖像識(shí)別算法研究． (Doctoral dissertation．太原理工大學(xué)，2015．

[3] 王標(biāo)．基于深度學(xué)習(xí)的圖像識(shí)別與搜索系統(tǒng)． (Doctoral dissertation．中國(guó)科學(xué)院大學(xué),2016．

[4] 呂國(guó)豪，羅四維，黃雅平，蔣欣蘭．基于卷積神經(jīng)網(wǎng)絡(luò)的正則化方法．計(jì)算機(jī)研究與發(fā)展，2014．

[5] 盧宏濤，張秦川．深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述．?dāng)?shù)據(jù)采集與處理，2016．

[6] 許可．卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究．浙江大學(xué)，2012．

[7] 王振，高茂庭．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)．現(xiàn)代計(jì)算機(jī)：普及版，2015．

[8] 余萍，趙繼生，張潔．基于非線性修正函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別研究．科學(xué)技術(shù)與工程，2015．

[9] 龔震霆．基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別和檢索方法研究．桂林電子科技大學(xué)，2016．