計(jì)算機(jī)信息領(lǐng)域的深度學(xué)習(xí)探析

摘要：本文主要從國(guó)內(nèi)外專家對(duì)深度學(xué)習(xí)定義入手，闡釋什么是深度學(xué)習(xí)，說明計(jì)算機(jī)領(lǐng)域深度學(xué)習(xí)的特征，探析計(jì)算機(jī)信息領(lǐng)域深度學(xué)習(xí)的內(nèi)涵與應(yīng)用，對(duì)深度學(xué)習(xí)可能的發(fā)展方向進(jìn)行展望。

關(guān)鍵詞：計(jì)算機(jī)信息;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);圖像分割

深度學(xué)習(xí)是計(jì)算機(jī)信息領(lǐng)域的一個(gè)重要問題，在圖像識(shí)別、圖像分割、語音識(shí)別、視頻監(jiān)控、自主駕駛、人機(jī)交互等方面具有重要的研究意義和實(shí)用價(jià)值。

隨著電子設(shè)備的應(yīng)用在社會(huì)生產(chǎn)和人們生活中越來越普遍，數(shù)字圖像、語音與視頻已經(jīng)成為不可缺少的信息媒介，每時(shí)每刻都在產(chǎn)生海量的圖像、音頻、視頻數(shù)據(jù)。如何從大量數(shù)據(jù)中提取需要的信息成為人們關(guān)注的主要對(duì)象。

準(zhǔn)確獲得感興趣目標(biāo)具體信息，并將獲得的信息應(yīng)用到智能視頻監(jiān)控、機(jī)器人導(dǎo)航、人臉識(shí)別、數(shù)碼相機(jī)自動(dòng)定位和聚焦、飛機(jī)航拍、衛(wèi)星圖像中道路檢測(cè)、自主駕駛等等現(xiàn)實(shí)任務(wù)中成為深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)信息領(lǐng)域應(yīng)用的重點(diǎn)研究?jī)?nèi)容。

一、深度學(xué)習(xí)簡(jiǎn)介

近年來，深度學(xué)習(xí)在圖像分類和目標(biāo)檢測(cè)等領(lǐng)域取得了突破性進(jìn)展，成為目前最有效的自動(dòng)特征學(xué)習(xí)方法。

深度學(xué)習(xí)模型具有強(qiáng)大的表征和建模能力，通過監(jiān)督和非監(jiān)督的方式，逐層自動(dòng)地學(xué)習(xí)目標(biāo)的特征表示。將原始數(shù)據(jù)經(jīng)過一系列非線性變換，生成高層次的抽象表示，避免了手工設(shè)計(jì)特征的繁瑣低效[6]。

目前應(yīng)用于計(jì)算機(jī)信息領(lǐng)域的圖像識(shí)別和圖像分割的深度學(xué)習(xí)，其模型主要包括堆疊自動(dòng)編碼器（Stacked auto-encoders，SAE）、深度信念網(wǎng)絡(luò)（Deep belief network，DBN）、和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）等。

堆疊自動(dòng)編碼器（SAE）模型的實(shí)質(zhì)是多個(gè)自動(dòng)編碼器（Auto-Encoder，AE）的堆疊。SAE模型將前一層自動(dòng)編碼器的輸出作為后一層自動(dòng)編碼器的輸入，逐層對(duì)自動(dòng)編碼器進(jìn)行預(yù)訓(xùn)練，然后利用人工神經(jīng)網(wǎng)絡(luò)反向傳播（Back Propagation，BP）算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。

深度信念網(wǎng)絡(luò)（DBN）類似于SAE，它的基本單元是受限玻爾茲曼機(jī)（Restricted Boltzmann machines，RBM），整個(gè)網(wǎng)絡(luò)的訓(xùn)練分為兩個(gè)階段：預(yù)訓(xùn)練和全局微調(diào)。首先，以原始輸入為可視層，訓(xùn)練一個(gè)單層的RBM，該RBM訓(xùn)練完成后，其隱層輸出作為下一層RBM的輸入，繼續(xù)訓(xùn)練下一層RBM。以此類推，逐層訓(xùn)練，直至將所有RBM訓(xùn)練完成。通過這種貪婪式的無監(jiān)督訓(xùn)練，使整個(gè)DBN模型得到一個(gè)比較好的初始值。然后加入數(shù)據(jù)標(biāo)簽，對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的微調(diào)，進(jìn)一步改善網(wǎng)絡(luò)性能。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是圖像識(shí)別和圖像分割中的研究熱點(diǎn)，近年來取得了豐碩成果。圖1給出了由LeCun等提出的用于數(shù)字手寫體識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)。

CNN通常包含卷積層、池化層和全連接層。卷積層通過使用多個(gè)濾波器與整個(gè)圖像進(jìn)行卷積，可以得到圖像的多個(gè)特征圖表示;池化層實(shí)際上是一個(gè)下采樣層，通過求局部區(qū)域的最大值或平均值，來達(dá)到降采樣的目的，進(jìn)一步減少特征空間;全連接層用于進(jìn)行高層推理，實(shí)現(xiàn)最終分類。

CNN的權(quán)值共享和局部連接大大減少了參數(shù)的規(guī)模，降低了模型的訓(xùn)練復(fù)雜度，同時(shí)卷積操作保留了圖像的空間信息，具有平移不變性，和一定的旋轉(zhuǎn)、尺度不變性。

2012年，Krizhevsky等將CNN模型用于ImageNet大規(guī)模視覺識(shí)別挑戰(zhàn)賽的圖像分類問題，使錯(cuò)誤率大幅降低，在國(guó)際上引起了對(duì)CNN模型的高度重視。也因此推動(dòng)了計(jì)算機(jī)信息領(lǐng)域深度學(xué)習(xí)的研究進(jìn)展。

二、深度學(xué)習(xí)在計(jì)算機(jī)信息領(lǐng)域的應(yīng)用

目前，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)信息領(lǐng)域的應(yīng)用已經(jīng)達(dá)到了一個(gè)較深的層次，漸漸深入到人們生活的各個(gè)方面。例如醫(yī)療影像輔助診斷、刷臉支付技術(shù)、指紋識(shí)別技術(shù)、智能視頻監(jiān)控、機(jī)器人導(dǎo)航、數(shù)碼相機(jī)自動(dòng)定位和聚焦、飛機(jī)航拍、衛(wèi)星圖像中道路檢測(cè)、自主駕駛等等。

2.1醫(yī)療領(lǐng)域應(yīng)用

深度學(xué)習(xí)在醫(yī)療領(lǐng)域中的應(yīng)用主要有以下幾個(gè)方面：

醫(yī)學(xué)影像識(shí)別應(yīng)用：醫(yī)學(xué)影像是對(duì)疾病診斷的重要方式，放射科和病理科醫(yī)生，借助醫(yī)學(xué)影像，可以提高診斷效率。目前，國(guó)內(nèi)外醫(yī)學(xué)專家在心血管、腫瘤、神內(nèi)和五官等領(lǐng)域構(gòu)建多個(gè)精準(zhǔn)深度學(xué)習(xí)輔助模型，取得較好成效。基于計(jì)算機(jī)信息輔助的深度學(xué)習(xí)技術(shù)可幫助醫(yī)生快速準(zhǔn)確讀取病人影像數(shù)據(jù)。

2.2無人駕駛領(lǐng)域應(yīng)用

在無人駕駛領(lǐng)域中，使用激光、雷達(dá)等類型的傳感器比較昂貴，以深度學(xué)習(xí)為基礎(chǔ)的目標(biāo)檢測(cè)和識(shí)別、目標(biāo)分割法，具有其明顯的優(yōu)勢(shì)。利用基于深度學(xué)習(xí)的計(jì)算機(jī)視覺信息技術(shù)，在無人駕駛過程中，攝像機(jī)采集即時(shí)視頻數(shù)據(jù)，計(jì)算機(jī)信息系統(tǒng)對(duì)該數(shù)據(jù)進(jìn)行理解與分析。包括對(duì)目標(biāo)檢測(cè)和識(shí)別，目標(biāo)跟蹤、車道線檢測(cè)分離等。為決策控制提供依據(jù)，如前車碰撞預(yù)警等[7]。目前，深度學(xué)習(xí)芯片越來越多，為無人駕駛領(lǐng)域提供了更好的支持。

2.3圖像搜索領(lǐng)域應(yīng)用

基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)，在智慧科學(xué)與教育領(lǐng)域有效應(yīng)用受到人們極大青睞，如拍照植物進(jìn)行識(shí)別類APP、試題拍照APP等。利用拍照提供的圖像數(shù)據(jù)，借助智能計(jì)算，獲取相關(guān)內(nèi)容的分析與理解信息。深度學(xué)習(xí)在解決該類問題中的優(yōu)勢(shì)極其明顯。

2.4安防領(lǐng)域應(yīng)用

借助計(jì)算機(jī)信息技術(shù)，實(shí)現(xiàn)安防智能化。深度學(xué)習(xí)技術(shù)中的人臉識(shí)別是該領(lǐng)域重要的應(yīng)用之一。借助深度學(xué)習(xí)，計(jì)算機(jī)加強(qiáng)對(duì)人臉檢測(cè)，對(duì)目標(biāo)特征進(jìn)行刻畫，為后續(xù)跟蹤和異常行為提供信息依據(jù)。

三、總結(jié)

深度學(xué)習(xí)是目前最熱門的機(jī)器學(xué)習(xí)方法，在計(jì)算機(jī)信息領(lǐng)域被廣泛研和應(yīng)用。本文從深度學(xué)習(xí)定義入手，探析了深度學(xué)習(xí)在計(jì)算機(jī)信息領(lǐng)域的應(yīng)用。

在今后的工作和研究中，還要進(jìn)一步完善深度學(xué)習(xí)理論，拓展深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)信息領(lǐng)域的研究深度，激發(fā)深度學(xué)習(xí)在計(jì)算機(jī)信息領(lǐng)域應(yīng)用中的潛力。

參考文獻(xiàn)

[1]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.數(shù)據(jù)采集與處理[J]，2016，31（1）：1-10

[2]劉澤宇.計(jì)算機(jī)人工智能的發(fā)展現(xiàn)狀及趨勢(shì)[J].數(shù)字技術(shù)與應(yīng)用，2018，36（2）

[3]劉海玲.基于計(jì)算機(jī)視覺算法的圖像處理技術(shù)[J].計(jì)算機(jī)與數(shù)字工程，2019，47（3）：672-676

[4]張新斌、康昌春、李文琿.基于深度學(xué)習(xí)角度探析醫(yī)學(xué)影像大數(shù)據(jù)[J].現(xiàn)代信息科技

[5]劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進(jìn)展.計(jì)算機(jī)應(yīng)用研究[J]，2014，31（7）：1921-1928

[6]張慧，王坤峰，王飛躍.深度學(xué)習(xí)在目標(biāo)視覺檢測(cè)中的應(yīng)用進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào)，2017，43（8）：1289-1305

[7]Masci J，Meier U，Ciresan D，Schmidhuber J. Stacked convolutional Auto-encoders for hierarchical feature extraction[J]. In：Proceedings of the 21th International Conference on Artificial Neural Networks. Berlin Heidelberg，Germany：Springer，2011.52-59

[8]Vincent P，Larochelle H，Bengio Y，Manzagol P A. Extracting and composing robust features with denoising Auto-encoders[J]. In：Proceedings of the 25th IEEE international Conference on Machine Learning（ICML）. Helsinki，F(xiàn)inland：IEEE，2008.1096-1103

湖北省教育廳科學(xué)研究計(jì)劃指導(dǎo)性項(xiàng)目：深度學(xué)習(xí)在乳腺M(fèi)RI腫瘤分割中的應(yīng)用研究（B2020340）

作者簡(jiǎn)介

陳小娟 出生年：1983，性別：女，籍貫：湖北荊門，學(xué)歷：大學(xué)本科，職稱：實(shí)驗(yàn)師，研究方向：機(jī)器學(xué)習(xí)、教學(xué)質(zhì)量。