深度卷積神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺中的應(yīng)用

孔峻

摘要

隨著科學(xué)技術(shù)水平的發(fā)展，大數(shù)據(jù)時代隨之而來，使深度卷積神經(jīng)網(wǎng)絡(luò)具備更加豐富的網(wǎng)絡(luò)結(jié)構(gòu)，與傳統(tǒng)的機(jī)器學(xué)習(xí)相比，在特征表達(dá)與特征學(xué)習(xí)方面更具優(yōu)勢。以深度學(xué)習(xí)算法深度卷積神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)所提出的計算機(jī)視覺領(lǐng)域在識別能力上取得了顯著成績。本文主要對深度卷積神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺中的應(yīng)用進(jìn)行探討。

【關(guān)鍵詞】深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 計算機(jī)視覺應(yīng)用

在機(jī)器學(xué)習(xí)中，深度學(xué)習(xí)扮演著重要的角色，在目前的研究發(fā)展中獲得了顯著提升，并逐步成為眼下研究的熱點項目。在GeofferyHinton所發(fā)表的《Science》一文中，首次提出了深度學(xué)習(xí)這一概念，并以此理論為基礎(chǔ)，發(fā)展出深度學(xué)習(xí)，在圖像分類、語言識別、語言處理等方面都獲得了不俗的成績，在學(xué)術(shù)界得到了廣泛關(guān)注。目前的卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建就是在物體識別、圖像分類中開展起來的一項內(nèi)容，促進(jìn)互聯(lián)網(wǎng)領(lǐng)域中的企業(yè)開發(fā)資源應(yīng)用，進(jìn)一步擴(kuò)大了對深度學(xué)習(xí)系統(tǒng)的研究規(guī)模。

1 深度卷積神經(jīng)網(wǎng)絡(luò)概述

在上世紀(jì)60年代，Wiesel與Hubel教授對貓的視覺皮層進(jìn)行研究，首次提出了“感受野”這一概念，而且還掌握了信息分層的處理機(jī)制，并以此獲得了很多醫(yī)學(xué)獎項。到了90年代，Tokushima則是以“感受野”為基礎(chǔ)，第一次提出了神經(jīng)認(rèn)知機(jī)，這也是首次實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)。所謂的神經(jīng)認(rèn)知機(jī)，是將視覺模式進(jìn)行分解，通過層階梯進(jìn)行連接，并對子模式的特征進(jìn)行處理，即使觀察對象發(fā)現(xiàn)細(xì)微的變形，模型也能夠?qū)⑵錅?zhǔn)確識別。隨后在90年代，LeCun在對手寫數(shù)字識別進(jìn)行研究的過程中，提出了通過梯度反向傳播的訓(xùn)練方式進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)模型，這種大膽的想法，為機(jī)器學(xué)習(xí)提供了新思路，并逐步形成一股強(qiáng)勁的機(jī)器學(xué)習(xí)風(fēng)暴。

卷積神經(jīng)網(wǎng)一般是整理二維輸入的重要數(shù)據(jù)，逐步建立人工多層神經(jīng)網(wǎng)絡(luò)。對于整體網(wǎng)絡(luò)來說，各層間都是由二維平面組成，而且在每個平面中，都有許多相對獨立的神經(jīng)元，相鄰的神經(jīng)元能夠在彼此間進(jìn)行連接，但如果兩個神經(jīng)元處于同一層次，則不能夠進(jìn)行連接。目前，神經(jīng)元網(wǎng)絡(luò)的發(fā)展正在進(jìn)入蓬勃階段，并逐漸成為語音分析、圖像識別的重要研究內(nèi)容，隨著向更高領(lǐng)域?qū)W習(xí)的遞進(jìn)，在應(yīng)用變化方面也更為豐富。從本質(zhì)來看，卷積神經(jīng)網(wǎng)是第一個成功研制的多層神經(jīng)網(wǎng)絡(luò)，通過這種模型算法，能夠使多信號的輸入更加便捷。隨著學(xué)習(xí)深度的逐步增加，信息學(xué)習(xí)正成為一種熱潮，現(xiàn)在的卷積神經(jīng)網(wǎng)絡(luò)能夠完美的應(yīng)用在語音識別、圖像識別、語音處理等多方面，并使機(jī)器學(xué)習(xí)向更深層次的方向發(fā)展。

2 深度卷積神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺中的應(yīng)用

2.1 池化操作

卷積層能夠?qū)μ卣鬟M(jìn)行搜集，并將這些特征移植到分類器中對其展開尋訓(xùn)練，這樣能夠得到一個最終的分類計算結(jié)果，從理論角度來看，將卷積層所搜集的所有信息特征移植到分類器中，需要對其進(jìn)行一定量的計算，特別是針對大尺度的圖像分辨率。例如，如果輸入圖像樣本的大小為98×98，設(shè)卷積層通過200個6×6的卷積核對此圖像進(jìn)行操作運(yùn)算，一個卷積核能夠輸出一個（98-6+1）×（98-6+1）=8649維的向量特征，卷積層在最后則是輸出8649×200-1729800維的向量特征。如果將此結(jié)果輸入分類器中，訓(xùn)練時會消耗巨大的計算資源。但圖像屬于“靜態(tài)性”，也就是說，如果池化區(qū)域為m×n，在得到最終的卷積后，將其特征分成m×n的多個獨立區(qū)域，對這些區(qū)域進(jìn)行操作，并得到一個特征圖。

在圖像中，局部領(lǐng)域由于其自身的特征，會在其他的領(lǐng)域中進(jìn)行使用，所以要對圖像局部領(lǐng)域特征進(jìn)行聚合統(tǒng)計，這樣的操作方式就是所謂的池化操作。對于池化操作來說，若將連續(xù)范圍的圖像當(dāng)做操作的位置，則會在操作位置與神經(jīng)之間衍生出具有卷積特點的赤化應(yīng)用，這就會使得池化操作具有平移不變的特性，導(dǎo)致對分類器、相同特征進(jìn)行池化時持續(xù)輸出一樣的分類結(jié)果。將卷積后特征與分類結(jié)果進(jìn)行比對，能夠?qū)ο蛄康墓ぷ骶S度起到減少的作用，減少了計算的工作負(fù)擔(dān)，讓訓(xùn)練數(shù)據(jù)實現(xiàn)了擴(kuò)展補(bǔ)充，防止其出現(xiàn)過強(qiáng)的擬合作用。

2.2 圖像分類

當(dāng)進(jìn)行圖像分析的過程中，通過對其進(jìn)行劃分，使得產(chǎn)生了不同類型的操作，這些都是圖像分類的一種。這種方式更注重圖像的整體性，要對每個圖像進(jìn)行確定，所以在目前的圖像分類計算操作中包含很多數(shù)據(jù)集所帶有的各類標(biāo)簽。像CIFAR-10/100、或者是Caltech-101/256，但在ImageNet中卻蘊(yùn)含了數(shù)量龐大的高分辨率標(biāo)簽圖像，圖像數(shù)量遠(yuǎn)遠(yuǎn)大于1400萬張。在這其中，大部分的卷積神經(jīng)網(wǎng)絡(luò)模型基本都要依靠像圖像數(shù)據(jù)大小的錄入，在對圖像進(jìn)行剪切時，圖像中的很多原始數(shù)據(jù)就會在這時丟失;如果對圖像的大小、長寬比等進(jìn)行調(diào)整展開，防止圖像出現(xiàn)扭曲、變形等現(xiàn)象。還要考慮在輸入圖像大小時，是否會對卷積層造成一定的約束作用，確保在輸入維度的過程中保持其固定。

自2012年開始，每年都舉辦圖像分類競賽，這也是對圖像分類算法進(jìn)行評估的重要賽事。2010年以及2011年的冠軍都是采用的圖像分類算法，主要以SIFT以及LBP為主，并通過這種方式對特征進(jìn)行提取，再將其應(yīng)用到分類器中進(jìn)行分類，最好的成績?yōu)?7.9%錯誤率。在2012年的賽事中，對于圖像分類領(lǐng)域是極其重要的一年，因為在這次比賽中，Alex提出了AlexNet，在圖像分類中應(yīng)用了深度學(xué)習(xí)，將錯誤率降低至16.3%，比第二名低了11%。將深度學(xué)習(xí)應(yīng)用于其中，并取得了不俗的成績，使得深度學(xué)習(xí)模型方式正在圖像識別中得到了越來越多的推廣。而且，隨著新型神經(jīng)網(wǎng)絡(luò)模型的產(chǎn)生，在成績方面有不俗的成績，使得該網(wǎng)絡(luò)模型在圖像學(xué)習(xí)中取得了質(zhì)的飛躍。

2.3 物體檢測

與圖像分類進(jìn)行對比，在計算機(jī)視覺領(lǐng)域中，物體檢測更加復(fù)雜，一張圖像中，物體類型可能出現(xiàn)不止一種，但都需要對每種類型圖像進(jìn)行單獨的定位與識別。所以，若想要真正有效的提升物體檢查的工作效果，需要對模型進(jìn)行更加深入的研究與學(xué)習(xí)。目前針對卷積神經(jīng)網(wǎng)絡(luò)的物體模型檢測工作一般存在兩種問題，其一是對在選擇區(qū)域進(jìn)行總結(jié)與分類，其二就是如何進(jìn)行選擇區(qū)域，這也從側(cè)面反映出物體檢查的難度要遠(yuǎn)超圖像分類的工作。對于問題的解決措施來說，內(nèi)容步驟在復(fù)雜程度上更為繁瑣，對于模型標(biāo)準(zhǔn)提出了更多的要求。因此，要想物體檢測模型有更好的發(fā)展，不僅需要在網(wǎng)絡(luò)結(jié)構(gòu)上有所改進(jìn)，還要進(jìn)一步優(yōu)化模型訓(xùn)練流程與訓(xùn)練方式，從而使物體檢測能夠更好的融入到實踐操作中。

2.4 姿態(tài)佑計

除了上述的圖像分類、物體檢測外，隨著網(wǎng)絡(luò)游戲的進(jìn)步，以及動畫視頻受到越來越多人的歡迎，識別圖像中的姿態(tài)也是目前極為熱門的話題。在姿態(tài)檢測中，涉及面非常廣，其中最受矚目的就是姿態(tài)估計，也是目前計算機(jī)視覺的熱點。能夠?qū)⑵溥\(yùn)用到追蹤人物、識別動作等方面，在視頻監(jiān)控方面也有較好的應(yīng)用。

姿態(tài)估計就是對圖像中的人進(jìn)行識別，根據(jù)人身體部位的動作，根據(jù)固定維數(shù)的坐標(biāo)來表示動作，每個維度所展示的就是人體中關(guān)節(jié)的坐標(biāo)，也就是說，人的姿態(tài)是通過“火柴人”變現(xiàn)出來的。傳統(tǒng)的表達(dá)方式由于是基于局部的模型構(gòu)建，所以在表達(dá)能力方面有所欠缺。新型的表達(dá)方式則是以深度學(xué)習(xí)為基礎(chǔ)，對人體姿態(tài)進(jìn)行識別，克服了魯棒性。隨著引入深度神經(jīng)網(wǎng)絡(luò)，此問題得到了良好解決。

2.5 圖像分割

對于一張圖，可能有許多不同的物體，希望對每個像素點進(jìn)行預(yù)測，明確其所屬的部分（背景，動物，人等）。在過去一段時間，圖像閾值分割法是此領(lǐng)域最早使用的方法，之后逐漸衍生出基于模糊集、非Shannon熵的閾值法。但隨著深度學(xué)習(xí)應(yīng)用越來越廣泛，圖像分割領(lǐng)域得到了進(jìn)一步發(fā)展。科學(xué)家先是使用分類網(wǎng)絡(luò)，在保存了圖像分類訓(xùn)練所得數(shù)據(jù)的基礎(chǔ)上，通過修建得到圖像分割模型，將網(wǎng)絡(luò)深層特征與淺層特征相結(jié)合，利用反卷積層對原圖放大得到更加準(zhǔn)確的分割結(jié)果，我們將之稱為跳躍結(jié)構(gòu)。

3 結(jié)束語

綜上所述，深度學(xué)習(xí)是目前研究的熱點項目，在卷積神經(jīng)網(wǎng)絡(luò)中運(yùn)用卷積層，能夠?qū)W(wǎng)絡(luò)構(gòu)架中的學(xué)習(xí)內(nèi)容與特征進(jìn)行提取，將其作為研究中的助力，化繁從簡，減少不必要的復(fù)雜學(xué)習(xí)內(nèi)容。此外，在深度學(xué)習(xí)的應(yīng)用中，圖像分類、池化操作、物體檢測等得到了顯著提高，隨著其在應(yīng)用上的不斷推廣，以及相關(guān)人員的深入研究，會使深度學(xué)習(xí)取得更加顯著的成績。目前，在進(jìn)行的深度學(xué)習(xí)應(yīng)用中，只能夠進(jìn)行簡單的推理計算，就能夠在圖像、語音等領(lǐng)域取得如此不俗的成績，這也從側(cè)面反映出，若加大對卷積神經(jīng)網(wǎng)絡(luò)的研究力度，能夠在其他領(lǐng)域中發(fā)揮更大的作用，并逐步向人工智能的方向前進(jìn)。

參考文獻(xiàn)

[1]黃斌，盧金金，王建華等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法[J].計算機(jī)應(yīng)用，2017（12）.

[2]盧洪濤，張秦[J].深度卷積神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2017（01）.