聯(lián)合注意力算法對人工智能圖像識別卷積的優(yōu)化作用研究

王巍

【摘? 要】 人工智能圖像識別系統(tǒng)多采用卷積神經(jīng)網(wǎng)絡(luò)作為算法基礎(chǔ)，利用注意力算法對卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，能夠?qū)崿F(xiàn)更為精準的特征提取，從而達到降低訓(xùn)練成本、提高識別準確率的根本目的。文章以此為研究目標，對聯(lián)合注意力算法下的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化與具體的參數(shù)計算方式進行詳細闡述，并通過訓(xùn)練實驗的方式對聯(lián)合注意力算法的識別有效性進行評價，發(fā)現(xiàn)該算法在圖像智能識別中具有較大的應(yīng)用價值。

【關(guān)鍵詞】 注意力算法；人工智能；圖像識別

一、聯(lián)合注意力算法卷積模型優(yōu)化

卷積神經(jīng)網(wǎng)絡(luò)是進行圖像識別的核心算法之一。該算法通過構(gòu)建卷積層與激活層的方式對圖像特征進行提取，并在池化后對未知圖像進行識別，同時利用識別數(shù)據(jù)對算法進行迭代。卷積神經(jīng)網(wǎng)絡(luò)的計算量相對較大，且特征提取屬于“算法黑箱”。在此背景下，引入注意力算法能夠降低特征點的識別維度，從而達到降低計算量、提高精準度的有效目的。

（一）卷積神經(jīng)網(wǎng)絡(luò)的圖像識別

注意力算法主要是指在卷積神經(jīng)網(wǎng)絡(luò)中引入特定的參數(shù)函數(shù)，對卷積層中的特定像素集群進行再次“微池”化，將分散的像素整合為像素集合，進行集體分析，從而實現(xiàn)降低計算量的根本目的。如圖1所示，利用“運動”作為構(gòu)建DL（數(shù)據(jù)微池）的方式可以將視頻圖像中的物體運動特征進行整合提取，從而形成可視化熱力圖。

如圖1所示，在視頻圖像識別中，其目的在于對機場中物體的運動情況及軌跡進行識別。在此要求下，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)需要對圖像中的全部像素進行分析。而引入“運動”的注意力參數(shù)，能夠?qū)⑦\動的擬合度作為特定特征點進行固定提取，從而形成可視化熱力圖如圖1（b），僅需要對熱力集中在“0.75～1”范圍內(nèi)的微池像素進行卷積分析便可以實現(xiàn)相同功能。根據(jù)理論推演，在引入注意力算法的情況下，原有圖像分析系統(tǒng)的計算量能夠下降90%，對提高識別效率、降低系統(tǒng)能耗與軟硬件需求具有重大的現(xiàn)實意義。類似的應(yīng)用可以在多種場景下得到應(yīng)用，如人臉識別、身份證識別、文字提取等。通過人工限定特定，形成池化數(shù)據(jù)的圖像識別需求均可以通過聯(lián)合注意力算法的方式對其卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。

（二）聯(lián)合注意力模塊應(yīng)用

在注意力算法對卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程分析中不難發(fā)現(xiàn)，注意力算法的功能機制在圖像的特征提取過程中發(fā)揮實效。即通過在卷積神經(jīng)網(wǎng)絡(luò)中的激活層中以注意力算法替代原有的像素求解，從而實現(xiàn)對計算量降低的根本目的。為此，在利用注意力算法對卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化時，應(yīng)該假設(shè)其在輸入特征圖到輸出特征圖之間。通過注意力算法獲得的輸出特征圖作為后續(xù)卷積神經(jīng)網(wǎng)絡(luò)的分析依據(jù)，經(jīng)過激活層、池化等操作，完成后續(xù)的圖像識別與分析，具體的聯(lián)合模式與流程如圖2所示。

如圖2所示，注意力模塊在輸入特征圖與輸出特征圖區(qū)間，作為傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)像素計算特征提取的替代性工具。按照能夠人工設(shè)定的注意力算法特征特性，其大致可以分為通道注意力模塊和空間注意力模塊。兩種模塊的主要區(qū)別在于人工設(shè)定特征點的屬性差異。前者以運動為基礎(chǔ)，如對運動軌跡識別、動作識別、表情識別等；后者則多以物體為單位如對特定幾何形狀識別、文字識別等。

二、聯(lián)合注意力算法在圖像識別中的應(yīng)用

（一）聯(lián)合模型與總體架構(gòu)設(shè)計

注意力模塊需要在圖像識別的池化過程之間發(fā)揮效能，需要整合入卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)內(nèi)提供額外的特征信息，幫助模型進行更為精準與高效的圖像識別。基于這一目標以及具體的應(yīng)用流程，優(yōu)化后模型的總體架構(gòu)如圖3所示，主要分為三個部分：

1. 輸入部分。包括原始圖像和編碼器兩個部分，該過程的核心任務(wù)是將目標圖片進行像素分解，為后續(xù)的訓(xùn)練與識別提供數(shù)據(jù)素材；

2. 注意力聯(lián)合部分。包括通道注意力模塊、卷積層、激活層和歸一化層等。該部分為注意力模塊的優(yōu)化核心，通過編碼器分解的像素數(shù)據(jù)，在注意力模塊的作用下形成池化數(shù)據(jù)的雙通道結(jié)構(gòu)，既當數(shù)據(jù)類別符合注意力特征閾值后則進入卷積層成為特征確定的標準之一，如不符合則按照傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進行識別分析；

3. 解碼與輸出部分。主要包括解碼器和損失檢測等部分。該部分的主要作用在于將卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的輸出結(jié)果進行解碼，同時對其可能產(chǎn)生的像素損失和重建損失進行修正回復(fù)，最終輸出識別結(jié)果。

（二）編碼器的設(shè)計

編碼器需要將圖像信息轉(zhuǎn)變?yōu)榭晒┳⒁饬λ惴ㄗR別的像素信息，在模型設(shè)計中至關(guān)重要。模型主要通過反射圖像混合模型的方式方法對編碼器進行構(gòu)建，并對圖像的像素信息進行求解，具體模型公式如下：

I=M×T+（1-M）×（K×R）（公式1）

其中，I表示具有反射混合特征的圖像信息；R表示圖像反射層；T表示傳輸層；K表示反射模糊核；M表示反射混合約束矩陣。利用公式1可以對現(xiàn)有圖像進行矩陣切割，并提取其中的關(guān)鍵核心像素信息點，將照片的圖像信息轉(zhuǎn)變?yōu)槟Ｐ湍軌蜃R別的數(shù)值數(shù)據(jù)。

（三）損失函數(shù)的計算

通過編碼器的像素分解，在獲得可供分析的數(shù)據(jù)基礎(chǔ)上也必然會帶來數(shù)據(jù)細節(jié)的丟失，這就需要引入損失函數(shù)對其結(jié)果進行修正。損失函數(shù)的核心是對像素分析中的偏差丟失進行修正，其中包括像素損失、恢復(fù)損失和重建損失等三個主要要素。按照不同要素進行分類，其函數(shù)如圖3所示：

Lpixel=R∈MN（R，M）Lres=R∈M{（R，M）+N［G（R），G（M）］}Lrecon=I∈MN（R-I） （公式2）

其中，Lpixel表示像素損失修正；Lres表示恢復(fù)損失；Lrecon表示重建損失；R為真實圖像；M表示反射圖層；N表示預(yù)期損失系數(shù)；G表示圖像梯度；I表示重建圖像。公式2可以在算法求解過程中對分析前后的像素特征損失系數(shù)進行求解，并通過迭代優(yōu)化的過程將公式2中的求解數(shù)字整合到公式1中，形成修正后的像素特征，具體表示為I修正=I+Lpixel表+Lres+Lrecon，當?shù)蠭修正近視等于I時迭代結(jié)束，系統(tǒng)完成自我修正，并可以將損失函數(shù)結(jié)果帶入后續(xù)識別中進行直接應(yīng)用。

三、聯(lián)合注意力算法模型效果分析

（一）實驗條件

利用注意力算法進行優(yōu)化的圖像智能識別系統(tǒng)本質(zhì)上依然是基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的一套具有迭代功能的智能體系。在實際應(yīng)用過程中，應(yīng)該通過具有標記作用的圖片進行“喂養(yǎng)”后方可形成有效識別效能。為進一步分析注意力算法的實際應(yīng)用效能，文章采用對比實驗的方式對其進行驗證，具體過程與環(huán)境設(shè)定分為如下幾個方面：1. 收集各類型圖片按照識別類別分為通道類和空間類，各類別集合內(nèi)圖片為10000張；2. 通過編號后隨機挑選的方式分為訓(xùn)練集和測試集，比例為19∶1；3. 以雙通道GTX4080Ti為GPU處理核心，在Ubuntu12.0系統(tǒng)上部署智能識別系統(tǒng)，并連通輸入設(shè)備與結(jié)果輸出設(shè)備；4. 在平臺內(nèi)分別部署兩套算法系統(tǒng)，分別為實驗?zāi)Ｐ秃蛯Ρ饶Ｐ停渲袑嶒災(zāi)Ｐ蜑樽⒁饬λ惴▋?yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)模型，對比模型則為原始卷積神經(jīng)網(wǎng)絡(luò)模型。

（二）實驗結(jié)果分析

為驗證注意力算法對卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的有效性，通過開展對比實驗的方式對其進行分析。具體指標包括了2個維度的4項指標。其中，訓(xùn)練效率指標包括95%識別度訓(xùn)練集占比（%）、訓(xùn)練時長（h）；準確性維度包括了識別準確性（%）、細節(jié)丟失率（%），實驗結(jié)果如表1所示。

由表1可知，通過注意力算法的優(yōu)化，模型在訓(xùn)練效率以及識別準確性方面均有不同程度提高。在同樣以95%訓(xùn)練穩(wěn)定度的條件下，通道類實驗?zāi)Ｐ陀?xùn)練穩(wěn)定時需使用訓(xùn)練集圖片總量的53.41%，遠低于對比模型使用量（62.73%）。同時，實驗?zāi)Ｐ驮谕ǖ李悎D片中的訓(xùn)練效率明顯低于空間類圖片，但兩種模型在空間類的訓(xùn)練效率中并無明顯差異，這說明兩種模型對空間類圖片的訓(xùn)練效率均相對較高，但注意力算法優(yōu)化對通道類圖像的識別應(yīng)用效果更佳。在訓(xùn)練時長上也表現(xiàn)出相同的數(shù)據(jù)規(guī)律，形成了交叉認證。

在準確性方面，通道類圖片條件下，二者準確率均超過了97%，符合應(yīng)用的基本要求，且沒有明顯差異，說明通過注意力算法優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)對傳統(tǒng)模型具有較高的替代效果。但在空間類圖像的識別中，實驗?zāi)Ｐ偷臏蚀_率顯著高于對比模型，說明注意力算法在空間類圖像識別中更具有比較性優(yōu)勢。

除此之外，通過表1數(shù)據(jù)能夠發(fā)現(xiàn)，在利用實驗?zāi)Ｐ瓦M行圖像識別時會丟失更多的細節(jié)數(shù)據(jù)，這一問題主要是由于系統(tǒng)整合了除霧模塊，該模塊通過模糊處置圖層的前置信息，從而會造成一定的數(shù)據(jù)細節(jié)丟失，但對識別結(jié)果不造成顯著影響。

參考文獻：

［1］ 陳杭，張兆江，劉闊，等. 聯(lián)合注意力機制與多級特征融合的街景全景分割算法研究［J］. 測繪與空間地理信息，2023，46（09）：43-47.

［2］ 蘇明，艾海明，馬琳，等. 基于AI的圖像識別乘駕安全監(jiān)測系統(tǒng)研制［J］. 傳感器與微系統(tǒng)，2023，42（08）：85-87+91.

［3］ 王瑤涵，宋澤陽，張利冬. 基于卷積神經(jīng)網(wǎng)絡(luò)的安全標識分類算法研究［J］. 中國安全科學(xué)學(xué)報，2023，33（S1）：263-269.