圖像識別領域中卷積神經網絡的應用

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展的一個重要里程碑。之前人們為追求圖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，這一水平導致圖像識別技術無法有效走出實驗室。但是在2012年的視覺挑戰賽（ILSVRC，Image Net Large Scale Visual Recognition Challenge）上，Krizhevsky等人采用了八層深度卷積神經網絡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%，這一壓倒性的優勢，決定了卷及神經網絡在圖像識別領域的研究，必然成為未來的主要趨勢。

2 卷積神經網絡算法結構分析

就目前算法的發展狀況而言，卷及神經網絡作為當前在圖像識別領域的主流算法，被諸多工作團隊所廣泛接受，而對于圖像識別的研究重點，也從尋找更為優秀的算法，轉移到了對卷積神經網絡算法本身的優化上，并且在應用領域，也在近年取得了長足進展。從卷積神經網絡自身的角度考慮，其在卷積層之間采用了共享參數，使得計算過程中對于計算資源的占用大大縮小，同時也在訓練參數方面實現了有效的簡化，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處理或者特征值提取操作，這也成為卷積神經網絡在圖像識別領域優于其他算法的顯著之處。但是卷積神經網絡算法也存在諸多弱點，例如傳統的算法本身并未能對算法展開深入挖掘，對應的卷積核偏大，算法結構層數較少等，都會造成此種算法的優勢未能有效發揮，這些也就成為了當前在該領域中進行改進研究的工作重點。

作為深度學習領域的常用算法，卷積神經網絡屬于常用算法，其發展基于人體視覺系統工作模式提出，其經典的模型包括卷及神經層、Rectified Linear Units層、Pooling層以及規范化層總共四個層級。想要切實對卷積神經網絡的算法實現優化和改進，首先需要從基礎的角度加強認識。

在算法框架體系之下，卷積神經層負責對圖像中的每個點展開卷積計算，并且將卷積核作為訓練參數展開工作。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位置的小區域的像素通過加權平均所得，而這個區域即為卷積核。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，但是對應地，需要訓練的參數就越多，因此會應當到運算能力，進一步影響到圖像識別的整體效率。與之對應，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。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境中的卷積神經網絡算法，多采用3×3或者5×5尺寸的卷積核展開工作。而Rectified Linear Units層則負責實現神經網絡的激活函數控制，多為Rectified函數。Rectified Linear Units層的引入，能夠有效減少訓練時間，提升整體算法性能。在輸入圖像經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域的相關信息，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，需要對區域進行重新劃分，如果劃分區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，規范化層，即規范化神經層（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整，使得圖像的主體部分能夠和背景更加具有區分度。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 卷積神經網絡工作效率的影響因素

首先，網絡深度對于卷積神經網絡而言至關重要。作為卷積神經網絡計算過程中最終的參數之一，其直接與需要訓練的參數有關，更加與圖像識別的正確率密切聯系。但是從整體效率的角度看，深度的提升并不會帶來參數的大幅度增加，但是正確率卻因此有著顯著提升。因此在卷積神經網絡環境中，網絡層數通過會超過普通神經網絡，但也會對實際運算過程進行監督，查看具體應用情況。

其次，卷積神經網絡算法中的結構同樣不容忽視。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，但是會造成需要訓練的參數增加，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整算法，并兼顧算法的拓展性，引入的結構應當可以直接疊加而不必引入新的神經層。實際工作中可以選擇多個神經層共同參與運算，每個卷積層之后均包含有對應的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，卷積神經網絡的整體結構，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層加工，確保訓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網絡和Softmax回歸作為算法結構的結尾，輸出概率最高的幾個處理結果，便于衡量算法準確率。

4 結論

對于卷積神經網絡在圖像識別領域的應用而言，一方面需要深入分析該種算法的內在特征，另一個方面則需要關注不同類別不同環境中產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，提升卷積神經網絡識別的整體效果。

[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.