卷積神經(jīng)網(wǎng)絡(luò)模型在圖像識(shí)別中的應(yīng)用綜述

王煜瑄，李振一，曲亞川

（1.青島理工大學(xué)機(jī)械與汽車工程學(xué)院，山東 青島 266520；2.青島理工大學(xué)信息與控制工程學(xué)院，山東 青島 266520）

人工智能是能夠自主感知周圍環(huán)境并做出響應(yīng)行為來(lái)達(dá)到某一目標(biāo)的智能體，其中深度學(xué)習(xí)作為人工智能的一個(gè)分支，以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對(duì)數(shù)據(jù)中的高級(jí)抽象進(jìn)行表征學(xué)習(xí)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，在自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、蒙特卡洛、語(yǔ)言處理、自動(dòng)駕駛等領(lǐng)域都得到了廣泛應(yīng)用。

人類對(duì)世界的認(rèn)知多數(shù)來(lái)自視覺(jué)。在計(jì)算機(jī)視覺(jué)訓(xùn)練的過(guò)程中用到的一種關(guān)鍵技術(shù)是卷積神經(jīng)網(wǎng)絡(luò)模型（ConvolutionNeural Networks，CNN）。

深度學(xué)習(xí)在圖像識(shí)別方面的出色表現(xiàn)通常是通過(guò)神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)的，神經(jīng)網(wǎng)絡(luò)雖然對(duì)不同的數(shù)據(jù)都具有很輕的非線性擬合能力，但是在語(yǔ)音、圖像上遲遲得不到突破。為了發(fā)展高精度、高可靠度的圖像識(shí)別技術(shù)，需要對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類總結(jié)與改善。本文主要對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法進(jìn)行回顧和總結(jié)：第1 節(jié)，主要針對(duì)圖像識(shí)別模型的定義和研究必要性進(jìn)行討論,介紹圖像識(shí)別技術(shù)的必要性。第2 節(jié)，對(duì)卷積神經(jīng)網(wǎng)絡(luò)基本概念進(jìn)行闡述。第3 節(jié)，介紹目前較為常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)模型并分析其優(yōu)缺點(diǎn)。第4 節(jié)，通過(guò)引用論述說(shuō)明圖像識(shí)別算法的研究方向、實(shí)際應(yīng)用和當(dāng)前面臨的挑戰(zhàn)。第5 節(jié)，對(duì)全文進(jìn)行總結(jié)，對(duì)神經(jīng)網(wǎng)絡(luò)圖像識(shí)別算法模型當(dāng)前面臨的問(wèn)題進(jìn)行簡(jiǎn)述,針對(duì)這些挑戰(zhàn)給出可能的解決方向。

1 圖像識(shí)別模型的定義和研究必要性

圖像識(shí)別是指利用計(jì)算機(jī)分辨圖片中的人物、物體位置等，并在此基礎(chǔ)上進(jìn)行分析與理解，最終實(shí)現(xiàn)不同模式目標(biāo)和對(duì)象的識(shí)別。圖像識(shí)別的結(jié)果取決于神經(jīng)網(wǎng)絡(luò)模型的選擇以及亟待解決的問(wèn)題。目前，神經(jīng)網(wǎng)絡(luò)模型被使用在多種場(chǎng)合，其不透明性、非線性擬合始終被認(rèn)為是神經(jīng)網(wǎng)絡(luò)的主要缺陷之一。這種不透明模型會(huì)產(chǎn)生沒(méi)有根據(jù)的結(jié)果與識(shí)別，這種無(wú)根據(jù)結(jié)果會(huì)導(dǎo)致潛在的信任危機(jī)和安全危機(jī)，尤其在必須保證模型高度可靠的領(lǐng)域，例如醫(yī)學(xué)診斷、自動(dòng)駕駛、刑事司法、建筑施工等。

2 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)是BP 神經(jīng)網(wǎng)絡(luò)，是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，它們均采用前向傳播方式來(lái)計(jì)算輸出值，采用反向傳播方式調(diào)整權(quán)值和偏置。CNN 與BP 神經(jīng)網(wǎng)絡(luò)最大的不同點(diǎn)是CNN 模型相鄰兩層之間的神經(jīng)元是部分連接結(jié)構(gòu)，而不是全連接結(jié)構(gòu)，即下一層的某個(gè)神經(jīng)元的感知區(qū)域只能覆蓋上一層的一部分神經(jīng)元。目前卷積網(wǎng)絡(luò)模型的發(fā)展趨向于多元化，但是整體結(jié)構(gòu)還是1998 年Le Cun 和Bottou 等人設(shè)計(jì)出的Le Net-5 卷積神經(jīng)網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)主要包括輸入層、卷積層、激活函數(shù)、池化層、全連接層。每一層均有多個(gè)特征圖。其結(jié)構(gòu)包括以下幾個(gè)方面的特點(diǎn)：

1.上一層的局部區(qū)域輸入得到特征提取過(guò)程中每個(gè)節(jié)點(diǎn)的特征值。

2.多個(gè)特征圖組成特征層且每個(gè)特征映射都是二維平面映射，特征圖中所有節(jié)點(diǎn)共享相同的卷積核。

3.卷積層后是局部下采樣層，經(jīng)處理后的特征圖分辨率和變形敏感度降低。

4.多層神經(jīng)網(wǎng)絡(luò)作為最后的分類器。

假設(shè)輸入的原始圖像用A0表示，用FA表示第A 層的特征圖，則由如下公式得到下一層的特征圖：

FA=f（F（A-1）?WA+bA）[1]

其中f(x)代表非線性激活函數(shù)，WA為代表卷積核，?代表卷積運(yùn)算，bA代表偏置項(xiàng)。

卷積層后一般接入池化層，池化層是對(duì)特征進(jìn)一步的抽象與降維，其結(jié)果一般是池化區(qū)域最大值或者平均值。平均池化是對(duì)卷積核內(nèi)的元素取平均值，最大池化是對(duì)卷積核內(nèi)的元素取最大值，通過(guò)此操作可以在避免噪聲的同時(shí)減小卷積引起的均值偏差，更精確地反映圖像的邊緣紋理特征。

全連接層在卷積神經(jīng)網(wǎng)絡(luò)中起到“分離器”的作用，通常為模型的最后一層，將池化層的所有特征矩陣轉(zhuǎn)化成一位的特征大向量，對(duì)提取的特征進(jìn)行分類。

3 卷積神經(jīng)網(wǎng)絡(luò)用于圖像識(shí)別的常用網(wǎng)絡(luò)模型

LeNet 模型的提出使得基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別模型成為研究重點(diǎn)，當(dāng)前利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像識(shí)別成果眾多，本節(jié)將對(duì)圖像識(shí)別領(lǐng)域具有代表性的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行整理，將模型的使用條件、優(yōu)點(diǎn)、缺點(diǎn)等做了詳細(xì)的描述。

3.1 AlexNet

由于LeNet 模型架構(gòu)簡(jiǎn)單并使用全連接層，導(dǎo)致其只能使用在內(nèi)容簡(jiǎn)單的場(chǎng)景也需要消耗大量計(jì)算資源，所以該模型很少用在實(shí)際任務(wù)中。與LeNet 不同的是，AlexNet 模型進(jìn)行了更深的網(wǎng)絡(luò)設(shè)計(jì)并借助參數(shù)優(yōu)化來(lái)獲取更高維的特征，以應(yīng)對(duì)特征復(fù)雜的圖像。

該模型不需要將輸入的圖像轉(zhuǎn)化為灰度圖，并且首次加入了CPU 并行運(yùn)算部署更深、更寬的網(wǎng)絡(luò)，以更快的速度進(jìn)行訓(xùn)練。在模型結(jié)構(gòu)方面利用ReLU 作為激活函數(shù)，收斂速度較Sigmoid 和tanh 更快且不需要進(jìn)行指數(shù)運(yùn)算，解決了神經(jīng)網(wǎng)絡(luò)中的梯度消失與梯度飽和問(wèn)題。為了進(jìn)一步解決收斂問(wèn)題，AlexNet 模型引入LRN 局部響應(yīng)歸一化的概念，實(shí)現(xiàn)了“側(cè)抑制”，即對(duì)局部神經(jīng)元的活動(dòng)創(chuàng)建競(jìng)爭(zhēng)機(jī)制，使得其中響應(yīng)比較大的值變得相對(duì)更大，并抑制其它反饋較小的神經(jīng)元，增強(qiáng)了模型泛化能力。同時(shí)，Dropout 隨機(jī)失活神經(jīng)元的加入能夠隨機(jī)刪除神經(jīng)元，使神經(jīng)網(wǎng)絡(luò)模型避免過(guò)擬合。由于AlexNet 模型設(shè)計(jì)池化步長(zhǎng)小于池化尺寸，需要進(jìn)行重疊的最大池化來(lái)避免平均池化產(chǎn)生的模糊效果。

3.2 VGGNet

VGGNet 是在AlexNet 的基礎(chǔ)上創(chuàng)造更深的網(wǎng)絡(luò)，在網(wǎng)絡(luò)深度上達(dá)到19層。此外，該模型的適應(yīng)能力較強(qiáng)，可根據(jù)需求，將網(wǎng)絡(luò)深度與網(wǎng)絡(luò)能力之間的關(guān)系展開(kāi)全面且嚴(yán)格化的模擬。VGGNet 模型中大多使用3×3 卷積操作和2×2 的最大池化操作，使得特征圖經(jīng)過(guò)很深的網(wǎng)絡(luò)之后尺寸減小，進(jìn)而增加網(wǎng)絡(luò)層數(shù)。VGGNet 模型為了減少網(wǎng)絡(luò)參數(shù)，通過(guò)多次重復(fù)引入包含了小尺寸卷積核的卷積層串聯(lián)的方式。與具有較大核的卷積層相比，此方式能夠保證相同感受野的同時(shí)減少網(wǎng)絡(luò)的參數(shù)量，提高了網(wǎng)絡(luò)的非線性表達(dá)能力，獲得更好的特征提取與特征學(xué)習(xí)能力。VGGNet 網(wǎng)絡(luò)具有模型簡(jiǎn)潔，收斂和迭代速度快的特點(diǎn)，并且由于使用的卷積核較小，所以計(jì)算量速度快。

3.3 Faster R-CNN

Faster R-CNN 算法包括4 個(gè)部分，分別是對(duì)于圖像中特征的獲取、生成anchor 區(qū)域、檢測(cè)目標(biāo)分類和獲取目標(biāo)位置，然后利用一個(gè)神經(jīng)網(wǎng)絡(luò)將這4 個(gè)模塊結(jié)合起來(lái)，訓(xùn)練了一個(gè)端到端的網(wǎng)絡(luò)。接下來(lái)敘述Faster R-CNN模型的大致流程，首先將圖片輸入到Faster R-CNN網(wǎng)絡(luò)，經(jīng)過(guò)共享卷積層計(jì)算后等到公共特征圖，這一步對(duì)于輸入的圖像尺寸并沒(méi)有要求；特征圖經(jīng)過(guò)RPN 網(wǎng)絡(luò)的加工處理得到anchor 區(qū)域，判斷anchor 區(qū)域中是否存在檢測(cè)物體以及物體類別；如果經(jīng)過(guò)判斷得到的是需要的信息，則輸入到ROI 池化層得到相同維度的特征，然后將相同維度的特征進(jìn)行softmax 分類以及回歸。如果檢測(cè)的不是前景特征，則把這些生成anchor區(qū)域舍去。然后對(duì)anchor 區(qū)域進(jìn)行位置修正，從而形成較為準(zhǔn)確的候選區(qū)域。經(jīng)過(guò)不斷地技術(shù)升級(jí)，該模型能夠?qū)崿F(xiàn)精度較高地物體檢測(cè)性能。Faster R-CNN模型首次提出了RPN 網(wǎng)絡(luò)，在提高精度的同時(shí)提高了訓(xùn)練速度，解決了SS 網(wǎng)絡(luò)選擇性搜索的弊端。模型在算法中使用了ROI Pooling 技術(shù)，根據(jù)預(yù)選框的位置坐標(biāo)在特征圖中將相應(yīng)區(qū)域池化為固定尺寸的特征圖，以便進(jìn)行后續(xù)的分類和候選框回歸操作。此外，為了提高檢測(cè)模型對(duì)于全局特征地檢測(cè)能力以及加大局部特征之間關(guān)聯(lián)性和類似性特征的鑒別性，F(xiàn)aster R-CNN模型引入了注意力機(jī)制。

3.4 殘差網(wǎng)絡(luò)ResNet

為了探索更深層的卷積神經(jīng)網(wǎng)絡(luò)同時(shí)避免非常深的網(wǎng)絡(luò)導(dǎo)致精度上的過(guò)度擬合和飽和問(wèn)題，微軟研究院何凱明團(tuán)隊(duì)搭建了融入殘差塊ResNet。ResNet 模型的基本思想是引入了能夠跳過(guò)這一層或多層的跳接。即圖1 中的由輸入x 連接到F(x)+x 的弧線。這消除了神經(jīng)網(wǎng)絡(luò)由于深度過(guò)大而造成訓(xùn)練困難的問(wèn)題。這使得ResNet 在圖像識(shí)別、檢測(cè)、定位等任務(wù)中取得了很好的效果。

3.5 全卷積神經(jīng)網(wǎng)絡(luò)模型（FCN）

全卷積神經(jīng)網(wǎng)絡(luò)將卷積神經(jīng)網(wǎng)絡(luò)的全連接層轉(zhuǎn)化成了卷積層。與早期的卷積神經(jīng)網(wǎng)絡(luò)不同，F(xiàn)CN 可以輸入任意尺寸的圖像，利用反卷積層進(jìn)行上采樣操作，以此對(duì)最深的卷積層產(chǎn)生的特征圖進(jìn)行處理，從而得到與原始圖像相同尺寸的特征圖，這樣就會(huì)對(duì)每一個(gè)像素都產(chǎn)生一個(gè)預(yù)測(cè)。由于FCN 模型去掉了全連接層，故該模型能夠保留原始圖像中的空間信息進(jìn)而解決語(yǔ)義分割問(wèn)題。

3.6 Mask R-CNN

Mask R-CNN 模型是在Faster R-CNN 的基礎(chǔ)上融合FCN 的像素識(shí)別方法，將原有ROI pooling 改進(jìn)為更加精確的ROI Align。該算法模型由ResNet101 特征提取網(wǎng)絡(luò)、FPN特征融合網(wǎng)絡(luò)、RPN區(qū)域候選網(wǎng)絡(luò)、Mask R-CNN Head 輸出層4 部分組成[2]。

首先Mask R-CNN 模型將ResNet 殘差網(wǎng)絡(luò)結(jié)構(gòu)與特征金字塔結(jié)合的方式，對(duì)原有的特征圖提取的卷積層和池化層結(jié)構(gòu)做出了優(yōu)化，生成多尺度特征映射圖的同時(shí)兼顧小目標(biāo)和細(xì)節(jié)特征。然后通過(guò)ROI Align在特征圖的各個(gè)像素點(diǎn)上產(chǎn)生一系列的預(yù)選框，最后通過(guò)全卷積神經(jīng)網(wǎng)絡(luò)完成對(duì)標(biāo)注圖像的提取，完成精確的圖像識(shí)別。

4 卷積網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用以及面臨的挑戰(zhàn)

卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)了較長(zhǎng)時(shí)間的發(fā)展，已經(jīng)在很多領(lǐng)域都取得了較好的實(shí)驗(yàn)結(jié)果，并在一些領(lǐng)域已經(jīng)有了商業(yè)化應(yīng)用。基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)具有提取特征能力強(qiáng)、識(shí)別精度高以及實(shí)施性強(qiáng)等優(yōu)點(diǎn)，在人臉識(shí)別、醫(yī)療圖像處理、遙感圖像識(shí)別、農(nóng)業(yè)病蟲(chóng)害識(shí)別、公安刑偵等方面運(yùn)用廣泛。

4.1 人臉識(shí)別

隨著模式識(shí)別技術(shù)的發(fā)展，人臉識(shí)別技術(shù)逐漸運(yùn)用到視頻監(jiān)控系統(tǒng)、智能支付、刑偵系統(tǒng)等應(yīng)用中。但是由于人臉識(shí)別因光照、遮擋物等引起的不確定性，使得人臉識(shí)別技術(shù)依舊面臨著許多挑戰(zhàn)。在某些特殊的應(yīng)用中，如皮膚檢測(cè)，需要采用特殊的光照技術(shù)進(jìn)行人臉拍攝并識(shí)別。孫金龍[3]等人利用RetinaFace 算法進(jìn)行網(wǎng)絡(luò)增強(qiáng)訓(xùn)練，進(jìn)一步優(yōu)化不同照明條件的人臉識(shí)別技術(shù)的魯棒性。在現(xiàn)實(shí)情況中，人臉容易出現(xiàn)不同程度的遮擋，從而造成人臉識(shí)別困難。陳燦林[4]提出基于Wasserstein 距離的局部遮擋人臉修復(fù)算法來(lái)修復(fù)人臉被遮擋的部分，上述研究的測(cè)試結(jié)果均表明系統(tǒng)對(duì)遮擋人臉識(shí)別具有很好的識(shí)別效果。

隨著科技的發(fā)展，雖然人臉識(shí)別技術(shù)在許多領(lǐng)域均有突破，但是此技術(shù)依舊存在潛在的缺陷，比如侵犯權(quán)力、潛在的數(shù)據(jù)盜竊、3D 掩碼攻擊等問(wèn)題。

4.2 醫(yī)療圖像處理

深度學(xué)習(xí)在醫(yī)療圖像輔助診斷領(lǐng)域取得了重大的成功。在臨床方面，醫(yī)生可以通過(guò)醫(yī)學(xué)成像來(lái)診斷患者病情。但是目前對(duì)于影像判斷病情仍需要人工閱片，在這過(guò)程中醫(yī)生在診斷病情時(shí)的主觀性不可忽視。而卷積神經(jīng)網(wǎng)絡(luò)憑借其能夠解決圖像級(jí)識(shí)別問(wèn)題中的高分辨率小目標(biāo)識(shí)別問(wèn)題、區(qū)域級(jí)目標(biāo)識(shí)別問(wèn)題中的不完整目標(biāo)標(biāo)注問(wèn)題、像素級(jí)目標(biāo)識(shí)別的識(shí)別精度問(wèn)題等，成為圖像分割、圖像分類等領(lǐng)域的重要研究熱點(diǎn)之一。在醫(yī)學(xué)領(lǐng)域中，醫(yī)學(xué)圖像分割能夠?qū)ζ鞴傩螒B(tài)、病區(qū)面積、細(xì)胞輪廓等進(jìn)行分割，在輔助治療中，醫(yī)學(xué)圖像分割可以使醫(yī)生做出更準(zhǔn)確、更權(quán)威的治療方案。張光華[5]等人通過(guò)LiTS 肝影像數(shù)據(jù)集和自有數(shù)據(jù)集，提出的肝分割和肝病灶分割算法提高了肝病灶分割的精確性。黃凱達(dá)[6]等人提出了一種基于空間和密度轉(zhuǎn)換模型來(lái)對(duì)肺部CT 影像進(jìn)行數(shù)據(jù)增強(qiáng)的算法，為肺部分割提供了很好的技術(shù)支持。

4.3 遙感圖像識(shí)別

隨著高分辨率的遙感圖像需求不斷增長(zhǎng)，衛(wèi)星感受器等器件受有效載荷、成本和寬帶技術(shù)的限制，已經(jīng)無(wú)法滿足遙感圖像分類、圖像分辨率高、包含豐富的空間細(xì)節(jié)信息等技術(shù)要求。朱萌[7]等人研究了一種基于多形態(tài)稀疏分解的遙感圖像融合方法，能夠向卷積神經(jīng)網(wǎng)絡(luò)輸入稀疏分解的不同形態(tài)成分，然后經(jīng)過(guò)關(guān)鍵特征提取能夠得到高分辨率并含有豐富信息的圖像。王樂(lè)萱[8]等人提出了基于注意力機(jī)制的多尺度殘差卷積神經(jīng)，解決了沙漠地區(qū)遙感圖像地物目標(biāo)尺度大、難以準(zhǔn)確地自動(dòng)化分類的問(wèn)題。

卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展使得遙感影像技術(shù)得到發(fā)展，但是對(duì)于某些應(yīng)用，比如卷積神經(jīng)網(wǎng)絡(luò)在云陰影檢測(cè)、復(fù)雜地形勘測(cè)等領(lǐng)域還處在初級(jí)階段，待改善的地方較多。

4.4 農(nóng)業(yè)病蟲(chóng)害識(shí)別

近年來(lái)，由于病蟲(chóng)害種類繁多、植物輪廓和紋理脈絡(luò)的變化，使得農(nóng)作物特征提取困難。為了解決此問(wèn)題，研究人員將目標(biāo)聚焦于卷積神經(jīng)網(wǎng)絡(luò)，利用其擅長(zhǎng)提取輪廓、紋理等特征來(lái)進(jìn)行病蟲(chóng)害的檢測(cè)與識(shí)別。

在農(nóng)作物病害的特征提取過(guò)程中，由于數(shù)據(jù)集分布不均勻、光照等背景因素原因，造成識(shí)別準(zhǔn)確度低。方桃[9]等人在ResNet50 模型用Focal loss 函數(shù)替換了標(biāo)準(zhǔn)交叉嫡函數(shù)，并采用Adam 優(yōu)化方法提高精度，在數(shù)據(jù)集Plant Village 上進(jìn)行實(shí)驗(yàn)驗(yàn)證，證明經(jīng)過(guò)改進(jìn)的算法具有一定的優(yōu)越性。李進(jìn)[10]等人提出了基于多尺度殘差網(wǎng)絡(luò)MSA-ResNet 的農(nóng)作物病害識(shí)別，將AI Challenger 2018 數(shù)據(jù)集分布不均勻的問(wèn)題進(jìn)行數(shù)據(jù)預(yù)處理，刪除樣本數(shù)量極少的類別后對(duì)數(shù)據(jù)集標(biāo)簽進(jìn)行重采樣操作，使數(shù)據(jù)集各類分布較為均勻。在殘差塊中采用多尺度卷積核替換單一尺度的卷積核來(lái)解決農(nóng)作物病害病斑癥狀的大小、顏色和形狀在不同程度和不同時(shí)期不同的問(wèn)題，通過(guò)實(shí)驗(yàn)得農(nóng)作物病害識(shí)別準(zhǔn)確率達(dá)到89.64%，具有較優(yōu)的性能表現(xiàn)。

隨著卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，其對(duì)農(nóng)作物病害識(shí)別具有準(zhǔn)確性、快速性等特點(diǎn)，能夠?qū)崟r(shí)有效地檢測(cè)出病蟲(chóng)害的類別和嚴(yán)重程度，但是由于實(shí)際農(nóng)田的不可靠因素過(guò)多，如大氣質(zhì)量、光照因素、種植疏密等問(wèn)題，其圖像采集依舊是一個(gè)重要問(wèn)題。

5 總結(jié)與展望

卷積神經(jīng)網(wǎng)絡(luò)能通過(guò)對(duì)數(shù)據(jù)不斷地學(xué)習(xí)然后提取特征，優(yōu)化自身性能，所以具有很強(qiáng)的泛化性，其克服了傳統(tǒng)模型不能預(yù)測(cè)復(fù)雜的非線性模型的缺點(diǎn)。但是利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別仍然存在許多亟待解決的問(wèn)題，這些問(wèn)題是圖像識(shí)別基礎(chǔ)進(jìn)一步發(fā)展的阻礙。

1.卷積神經(jīng)網(wǎng)絡(luò)模型的核心任務(wù)之一是圖像語(yǔ)義分割，雖然已經(jīng)對(duì)CNN 網(wǎng)絡(luò)進(jìn)行多種多樣的改進(jìn)，使模型既能保證模型簡(jiǎn)化還能保持良好的分割性、魯棒性，但還是沒(méi)有一個(gè)基本模型來(lái)同時(shí)解決模型簡(jiǎn)化以及良好分割問(wèn)題。

2.在生活中圖數(shù)據(jù)具有多樣性，也會(huì)出現(xiàn)環(huán)境中存在與識(shí)別物體形狀相似的物體，這使得圖卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)需要更加復(fù)雜，在卷積神經(jīng)網(wǎng)絡(luò)的算法優(yōu)化等方面帶來(lái)了諸多挑戰(zhàn)。

3.目前的一些模型是根據(jù)某一數(shù)據(jù)集進(jìn)行設(shè)計(jì)的，無(wú)論是網(wǎng)絡(luò)層次結(jié)構(gòu)還是具體的實(shí)驗(yàn)研究都是基于固定模型進(jìn)行設(shè)定的，如果能夠?qū)崿F(xiàn)模型對(duì)于不同數(shù)據(jù)集進(jìn)行自適應(yīng)設(shè)計(jì)網(wǎng)絡(luò)深度與識(shí)別訓(xùn)練，可以提高模型的通用性與智能化。

綜上所述，雖然卷積神經(jīng)網(wǎng)絡(luò)依舊存在許多需要突破的問(wèn)題，如對(duì)卷積神經(jīng)網(wǎng)絡(luò)的初始狀態(tài)參數(shù)，尋優(yōu)算法的選取等問(wèn)題，但是目前在圖像識(shí)別領(lǐng)域也出現(xiàn)了新的研究方法和思路來(lái)推進(jìn)圖像的高分辨率、高可靠性、實(shí)時(shí)性等特點(diǎn)，比如使用Transformer 模型結(jié)構(gòu)代替卷積塊等，所以在圖像分類、檢測(cè)、識(shí)別等領(lǐng)域應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)依舊是未來(lái)的重要研究方向。