關于深度卷積神經網絡在計算機視覺中的應用研究

茹鮮古麗·蘇來滿

摘要：隨著我國科學技術的不斷發展演變，深度卷積神經網絡在流行全球的深度學習領域中顯得尤為活躍，它擁有傳統機器無法比擬的豐富網絡結構。特別是在模型和算法上對計算機視覺識別能力的提高起到重要作用。基于此，本文將對深度卷積神經網絡在計算機視覺中的應用進行研究。

關鍵詞：神經網絡 計算機視覺 深度卷積

一、深度卷積神經網絡

卷積神經網絡可理解成是一種前饋網絡，屬于人工神經網絡的一種。在網路中，每個神經元相繼從輸入層開始逐級傳遞，最終達到輸出層，這種傳遞是不可逆的，即它只朝著一個方向傳遞，所以無法形成循環，也就是沒有周期性。

二、深度卷積神經網絡在計算機視覺中的應用

（一）卷積神經網絡的原理和結構

計算機圖像識別是通過卷積神經網絡的三個層次結構（卷積層、池化層、全連接層）的堆疊來實現的。

1. 卷積層

上圖所描述的是卷積層對原始圖像的處理結果，卷積的過程也是圖像特征提取的過程。

圖中5×5的格子表示原始圖像，黃色小九宮格（3×3）代表一個濾波器覆蓋原始圖像的范圍（它的大小可以通過人工來設置）。并伴隨著處理的進程，不斷沿著圖像的長和寬，以單位距離滑動，即如果設置滑動距離為1，那么濾波器每次就會移動1個小方格。右側的圖表示對圖像處理的卷積結果。隨著濾波器在原始圖像中不斷滑動，逐漸形成一個二維激活圖像。

這里我們會發現，得到的輸出圖像明顯小于原始圖像。也就是說，在每次卷積之后，輸出的尺寸會減少。為了讓輸出圖像尺寸與原始圖像尺寸相同，我們可以在輸出圖像的邊界添加數字0。結合上面的例子，我們把3×3圖片的每條邊上添加2排0，那么根據公式[（N-F +2P）/S]+1，就會得出與原始圖像一樣的尺寸。其中，N=原始圖像邊長;F=濾波器的邊長;P=添加0的長度;S=濾波器滑動距離。但濾波器所提取的只是原始局部圖像，其中輸出深度與使用的濾波器的數量保持一致。

2. 池化層

與卷積層的濾波器作用相同，池化層同樣有個可滑動的操作窗口，通過窗口的滑動來獲得輸入結果，但這種輸出是在窗口大小的原始信息中提取最大值（最常見的池化有平均池化和最大池化，其中最大池化是最常使用的）為什么是2×2的窗口？因為在池化層中，這個比例的窗口是最常用的，而且人工設置的滑動距離也是2。但這樣的池化效果會有效嗎，畢竟操作過程中，失去了更多的內容。根據卷積神經網絡的性質來分析，被檢測的局部圖片特征，可以判斷圖片的類別。也可以理解成，由于圖像中局部領域具有一定的特征，并利用圖片特征的不變性，即通過向下采樣，來保證圖片的性質基本不變。

3. 全連接層

經過多輪的卷積層和池化層的處理之后，原始圖像中的信息被抽象成為信息含量更高的特征圖像，也就是輸出圖像。整個過程，就是卷積層和池化層對原始信息逐層提取圖像特征的過程。

原始輸入圖是一張28×28大小的圖像，其中卷積層C1有6個5×5的濾波器，因為卷積層C1輸出6個大小的特征圖（公式為28-5+1=24，24×24，該數值代表每條邊的長度）。

然后經過池化層S1（我們假設池化層S1進行平均值池化），中間的加偏置（每種特征圖有一個偏置）和Sigmoid函數激活操作省略，只是對卷積和池化過程做闡述。因此，池化層S1輸出的6個特征圖大小為（12×12）。

接下來，在卷積層C2中，就會輸入6個特征圖，但與卷積層C1是不一樣的，因為卷積層C1只有一個特征圖，而卷積層C2有12個5×5濾波器，每個濾波器會與上一層（即S1層）的6個特征圖分別做卷積（根據實際情況也可以挑選幾種特征圖來做卷積），然后將得出的6個結果進行求和計算，進而形成一個新的特征圖。也就是說，卷積層C2有12個大小為（12-5+1=8，8×8）的特征圖，并進入池化層S2。

同樣道理，S2層有12個大小為（4×4）的特征圖。輸出層把S2層的特征圖變成一個向量，該向量的長度等于192（12×4×4），并把該向量當成一個輸入點，進一步與下面的其它層進行全連接和分類等操作。

簡單總結一下就是，卷積神經網絡（Convolutional Neural Network，CNN），是把一個原始圖像，經過多次卷積和池化后，逐漸轉變成一個向量，然后將該向量與其他網絡相連接。

（二）圖像分類

我們在對卷積神經網絡應用于圖像進行分類時，通常會在神經網絡的最后一層，即全連接層的后面接一個Softmax分類器用于圖像標簽的預測。所謂的圖像分類就是，通過將圖像集合對比分析，然后根據具體圖像特點，進行若干個不同種類的劃分操作，這個過程被稱作圖像分類。一般的圖像分類方式會涉及到較為復雜的函數計算，這里不做詳細說明。

為了對圖像分類算法進行合理性評估，從2012年起，每年都會舉辦圖像分類競賽。以SIFT和LBP為例，通過對圖像特征進行信息提取，然后將提取結果應用到具體分類器中，在2010年和2011年的競賽中，使用這種方法將錯誤率控制在26.7%，這是一個十分了不起的成就。但更令人驚訝的事情還在后面，隨著Alex在2012年的競賽中提出AlexNet，通過在圖像分類中應用深度學習，以創紀錄的成績取得第一名（錯誤率在16.3%），這個成績比前一年下降近11個百分點。從2012年開始，深度學習模型在圖像識別中大展拳腳，逐漸得到更廣泛的認可。

（三）物體監測

由于計算機視覺領域的特殊性，使物體監測過程變得十分復雜。因為從計算機的視角出發，一張圖像，物體會以多種類型呈現，這就需要對所有類型的圖像一一進行識別，并單獨定位，在無形中增加了工作量，而且還不一定能夠保證效果質量。目前看來，將卷積神經網絡應用于物體模型檢測存在以下兩個問題：一個是在選擇區域進行分類與總結;另一個是如何進行區域選擇，因此物體檢測工作與圖像分類工作相比，其難度可想而知。另外從操作內容來看，在實際解決問題中遇到的步驟流程與圖像分類相比也是復雜繁瑣，對模型的要求更高，算法更加深奧，標準自然更多。若想在實踐操作工程中更好的去應用，除了要從網絡結構方面進行改進外，還要優化模型的流程方法。

三、結束語

綜上所述，通過對卷積神經網絡結構和原理的學習，使我們很好的認識了圖像識別、分類及特征提取。但到目前為止，人們對深度學習的應用還停留在簡單的推理計算程度，雖然在圖像語音領域取得了一定的成果，但能否完整有效的應用在其他領域，還需要我們不斷的研究與探索。

參考文獻

[1]楊風光.深度卷積神經網絡在計算機視覺領域的應用[J].計算機與網絡，2020，46（04）：40-41.

[2]張順，龔怡宏，王進軍.深度卷積神經網絡的發展及其在計算機視覺領域的應用[J].計算機學報，2019，42（03）：453-482.