馬穎

摘要：以往圖像自動(dòng)標(biāo)注多為人工選取特征，整個(gè)過(guò)程所需時(shí)間和精力較大，并且所用的標(biāo)簽傳播算法會(huì)造成語(yǔ)義近鄰被忽視，最終會(huì)出現(xiàn)視覺(jué)相似但是語(yǔ)義不相似的情況，影響圖像標(biāo)注效果。為改善傳統(tǒng)圖像標(biāo)注算法應(yīng)用存在的缺陷，便可以選擇應(yīng)用深度學(xué)習(xí)圖像自動(dòng)標(biāo)注算法，可以完美解決語(yǔ)義近鄰識(shí)別問(wèn)題，提高圖像標(biāo)注綜合效果，本文對(duì)其應(yīng)用要點(diǎn)進(jìn)行了簡(jiǎn)單分析。

關(guān)鍵詞：深度學(xué)習(xí)；圖像標(biāo)注；機(jī)器學(xué)習(xí)

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）10-0122-01

基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法在實(shí)際應(yīng)用中具有較大優(yōu)勢(shì)，可以打破傳統(tǒng)標(biāo)注算法對(duì)圖像視覺(jué)特征的依賴性，可以直接通過(guò)圖像各像素點(diǎn)完成類(lèi)別標(biāo)注，處理效率更高。

1 深度學(xué)習(xí)圖像自動(dòng)標(biāo)注算法

深度學(xué)習(xí)為機(jī)器學(xué)習(xí)領(lǐng)域研究要點(diǎn)內(nèi)容，其基本原理就是通過(guò)算法來(lái)促使計(jì)算機(jī)模擬人腦處理事務(wù)流程，向其提供一個(gè)與人相似具有一定辨別事務(wù)的能力。想要實(shí)現(xiàn)基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法，就需要對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行持續(xù)改進(jìn)研究，形成層次更深的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，現(xiàn)在所存的深度學(xué)習(xí)表現(xiàn)形式如自動(dòng)編碼器、深信度網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)等。其中，卷積神經(jīng)網(wǎng)絡(luò)作為多層網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)于圖像平移、旋轉(zhuǎn)以及按比例縮放等形變敏感度低，利用其在進(jìn)行圖像標(biāo)注時(shí)，能夠更大程度上來(lái)抵抗外部因素的干擾。并且卷積神經(jīng)網(wǎng)絡(luò)設(shè)置靈活度高，在實(shí)際應(yīng)用中可以根據(jù)要求來(lái)選擇相應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)，總結(jié)相關(guān)知識(shí)學(xué)習(xí)和網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用效果信息，可以確定試驗(yàn)所用數(shù)據(jù)集內(nèi)所涉及到的圖像種類(lèi)越多，則需要設(shè)置越多的網(wǎng)絡(luò)層數(shù)，并且卷積層所含特征圖個(gè)數(shù)與其所處層數(shù)成正比，所處層數(shù)越深，對(duì)應(yīng)的特征圖個(gè)數(shù)也就越多[1]。一般情況下向同一網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)輸入的圖像分辨率越大，網(wǎng)絡(luò)運(yùn)算的規(guī)模也就越大，響應(yīng)者模式迭代一次所需時(shí)間越長(zhǎng)。

2 深度學(xué)習(xí)圖像自動(dòng)標(biāo)注算法實(shí)現(xiàn)

2.1 模型結(jié)構(gòu)設(shè)計(jì)

以往傳統(tǒng)神經(jīng)網(wǎng)絡(luò)大部分均是應(yīng)用的單一隱藏層進(jìn)行數(shù)據(jù)建模，而深度學(xué)習(xí)則是采用多層隱藏層神經(jīng)元網(wǎng)絡(luò)，能夠處理更復(fù)雜問(wèn)題。一般可選擇應(yīng)用RBM或DAE模型進(jìn)行網(wǎng)絡(luò)權(quán)重預(yù)訓(xùn)練，然后將預(yù)訓(xùn)練得到的各層權(quán)重值作為反向傳播算法的權(quán)重初始值賦予整個(gè)神經(jīng)網(wǎng)絡(luò)，最后在利用反向傳播算法對(duì)整個(gè)網(wǎng)絡(luò)權(quán)重進(jìn)行更新，以免網(wǎng)絡(luò)算法求解過(guò)程中陷入到局部最優(yōu)問(wèn)題中。本文主要對(duì)3層深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，向輸入層單元內(nèi)輸入圖像特征v，確定圖像標(biāo)簽信息為網(wǎng)絡(luò)輸出節(jié)點(diǎn)t，應(yīng)用RBM模型進(jìn)行預(yù)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)輸入單元v∈RN（N表示輸入圖像特征為數(shù)），則可以確定應(yīng)用GBRBm為深度神經(jīng)網(wǎng)絡(luò)第一層網(wǎng)絡(luò)結(jié)構(gòu)h1，兩層應(yīng)用常規(guī)RBM為深度網(wǎng)絡(luò)第二層h2與第三層h3網(wǎng)絡(luò)[2]。

網(wǎng)絡(luò)模型在進(jìn)行圖像信息分類(lèi)時(shí)，設(shè)定監(jiān)督向量位數(shù)目為類(lèi)別數(shù)目M，其所對(duì)應(yīng)樣本類(lèi)別為k，便可確定輸出層第k維為1，而其余維數(shù)為0。應(yīng)用反向傳播算法進(jìn)行分析，可利用神經(jīng)網(wǎng)絡(luò)計(jì)算實(shí)際輸出和監(jiān)督向量差異對(duì)網(wǎng)絡(luò)收斂程度進(jìn)行衡量，在達(dá)到訓(xùn)練次數(shù)要求后便可停止訓(xùn)練。訓(xùn)練結(jié)束后將得到的數(shù)據(jù)結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)內(nèi)，確定輸出層最大節(jié)點(diǎn)位置便為樣本預(yù)測(cè)類(lèi)別。對(duì)圖像信息進(jìn)行分類(lèi)時(shí)，就可以將樣本多類(lèi)別信息對(duì)應(yīng)監(jiān)督向量的維數(shù)設(shè)置成1，并以邏輯斯蒂克函數(shù)替換softmax函數(shù)作為輸出層激勵(lì)函數(shù)，并對(duì)輸出層得到的結(jié)果進(jìn)行排序，排序中靠前類(lèi)別便可作為神經(jīng)網(wǎng)絡(luò)對(duì)圖像樣本信息的預(yù)測(cè)結(jié)果。

與圖像多分類(lèi)不同，圖像標(biāo)注的標(biāo)注信息并非均勻分布，各標(biāo)簽所屬圖像多少并不確定，這樣如果對(duì)不同標(biāo)簽信息采用相同算法處理，便會(huì)造成低標(biāo)注頻率的標(biāo)簽被掩蓋在高標(biāo)注頻率的標(biāo)簽中，降低了給定圖像標(biāo)注的準(zhǔn)確性。在應(yīng)用深度學(xué)習(xí)圖像標(biāo)注算法分析時(shí)，可以將圖像標(biāo)簽頻率引入到監(jiān)督信息中，對(duì)神經(jīng)網(wǎng)絡(luò)監(jiān)督向量進(jìn)行調(diào)整更改，實(shí)現(xiàn)圖像標(biāo)注結(jié)果的準(zhǔn)確性，解決標(biāo)簽分布不均勻問(wèn)題。

2.2 卷積神經(jīng)網(wǎng)絡(luò)標(biāo)注

利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)圖像的自動(dòng)標(biāo)注，為實(shí)現(xiàn)圖像特征的可靠提取，應(yīng)先對(duì)目標(biāo)彩色圖片進(jìn)行灰度化處理，并利用雙線性插值算法對(duì)圖片進(jìn)行縮放，最終轉(zhuǎn)換成100×100模式。C1層利用6個(gè)尺寸大小為5×5的卷積核對(duì)圖像進(jìn)行卷積處理，可確定處理后圖像各圖征圖大小為（100-5+1）×（100-5+1）=96×96。然后想S1層內(nèi)輸入處理后得到的數(shù)據(jù)，通過(guò)亞采樣層S1層完成C1層特征圖的采樣，其中S1層池化矩陣尺寸為4×4，存在6個(gè)特征圖，且每個(gè)特征圖大小為（96/4）×（96/4）=24×24。然后C2層繼續(xù)卷積處理，共有12個(gè)特征圖，卷積核尺寸不變，可得到各特征圖尺寸為（24-5+1）×（24-5+1）=20×20。S2層繼續(xù)亞采樣，池化矩陣尺寸不變，共有12個(gè)特枕圖，可確定其尺寸為（20/4）×（20/4）=5×5。共選擇7類(lèi)共650張圖片進(jìn)行圖像分類(lèi)模型訓(xùn)練，每類(lèi)剩余30張圖像組成一個(gè)具有140張圖像測(cè)試數(shù)據(jù)集，神經(jīng)網(wǎng)絡(luò)權(quán)值在模型迭代次數(shù)不斷增加的過(guò)程中持續(xù)變化，最終可以得到一個(gè)趨于理想的數(shù)值結(jié)果[3]。

3 結(jié)語(yǔ)

現(xiàn)在已經(jīng)進(jìn)入到信息網(wǎng)絡(luò)化時(shí)代，數(shù)據(jù)應(yīng)用對(duì)進(jìn)一步促進(jìn)工作效率具有重要意義。面對(duì)井噴式的數(shù)據(jù)增長(zhǎng)情況，互聯(lián)網(wǎng)上每天會(huì)產(chǎn)生海量的圖像與視頻信息，為針對(duì)圖像資源進(jìn)行可靠組織、查詢與瀏覽動(dòng)作，首先需要完成圖像標(biāo)注，作為內(nèi)容圖像檢索和文本圖像檢索的基礎(chǔ)。基于深度學(xué)習(xí)自動(dòng)圖像標(biāo)注算法的應(yīng)用，對(duì)比傳統(tǒng)標(biāo)注算法，可以提高圖像標(biāo)注可靠性與效率性。

參考文獻(xiàn)

[1]李靈芝.自然場(chǎng)景圖像的自動(dòng)標(biāo)注方法研究[D].廣西師范大學(xué)，2016.

[2]羅世操.基于深度學(xué)習(xí)的圖像語(yǔ)義提取與圖像檢索技術(shù)研究[D].東華大學(xué)，2016.

[3]楊陽(yáng)，張文生.基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法[J].數(shù)據(jù)采集與處理，2015，（01）：88-98.endprint