劉詩晗 李天劍

摘要：隨著社會經濟的發(fā)展，科學技術發(fā)展迅猛，特別是在計算機領域先進技術層出不窮，極大地促進了社會的發(fā)展，便捷了人們的日常生活。深度學習是計算機學習和研究中的一個新領域，可以通過對人類大腦的模仿釋放相關數(shù)據(jù)。本文探究深度學習在計算機視覺領域的應用進展研究，希望能夠促進計算機視覺領域的發(fā)展。

摘要：深度學習；計算機視覺領域；應用；進展

一、前言

在當前社會中，由于社會發(fā)展的需要，計算機視覺成為社會生產生活的重要組成部分。所謂計算機視覺，就是指通過攝影機和計算機代替我們人類的眼睛對目標進行識別、跟蹤和測量，并能夠將所得數(shù)據(jù)進行圖形處理，最后把它變成更適合人類觀察的圖像，或者適合儀器檢查的圖像。對于圖像的處理包括圖像分類、圖像匹配、目標檢測、圖像問答、圖像語義分割、行為識別等。圖像語義分割和圖像問答是近年來計算機技術發(fā)展的重點方向，需要用到深度學習的技術。深度學習技術對于計算機視覺領域的發(fā)展起到了重要的作用。

二、深度學習算法在圖像分類中的應用

通過在深度學習中建立卷積神經網絡模型，計算機視覺系統(tǒng)有了大的突破，其中應用最廣的是圖像分類和物體檢測。

圖像分類就是通過對圖像進行分析，能夠把圖像劃分到某種類別中。圖像分類強調圖像整體語義的判定。當前最常用語評判此類算法的帶標簽數(shù)據(jù)集就是ImageNet和CIFAR-10/100。ImageNet的規(guī)模比較大，種類也比較多，在遷移學習的思想運用比較多。遷移學習的通用場景為：在普通的場景下訓練深度模型，通過將它的網絡結構和參數(shù)與小數(shù)據(jù)集進行共享的任務場景，這樣深度模型上的小數(shù)據(jù)任務就可以進行微調。除此之外，圖像分類領域既是計算機視覺領域的基礎領域，也是最早使用深度學習的領域。計算機視覺領域的其他領域也可以在借鑒分類任務經驗的基礎上，把模型遷移到其他任務之上，這也是計算機視覺領域的發(fā)展趨勢。

三、深度學習在物體檢測中的應用

將物體檢測與圖像分類進行對比會發(fā)現(xiàn)，物體檢測任務更加復雜。物體檢測就是指在給出的一張圖像中（圖像中包含了多個不同類別的物體），可以對每個物體進行識別和定位?？梢哉f，想要在物體檢測中獲得好的效果是比較難以實現(xiàn)的，深度學習模型在物體檢測中也更加復雜。

當前的計算機視覺領域中，物體檢測模型的建立基礎是卷積神經網絡?；旧纤械奈矬w檢測中的困難都集中在如何提取候選區(qū)域和如何對候選區(qū)域進行分類這兩個問題上。這也就是物體檢測問題比圖像分類問題的難度更高、更加復雜的原因。同時物體檢測問題對于模型的性能要求也比較高。近些年來，隨著科學技術的發(fā)展，卷積神經網絡算法在結構方面也有了較大的突破和技術創(chuàng)新，促進了物體檢測技術的發(fā)展。卷積神經網絡的應用范圍不限于圖像分類和物體檢測，在計算機視覺領域的其他方面也有著重要的作用。卷積神經網絡中的“端到端”技術，能夠使用可以更加方便。同時，卷積神經網絡可以在增多神經元和加深網絡層次的情況下將訓練網絡進行優(yōu)化，使得卷積神經網絡可以適用于結構抽取型和數(shù)據(jù)稠密型的任務。

四、深度學習在人臉識別系統(tǒng)中的應用

留心觀察周圍的生活我們不難發(fā)現(xiàn)，人臉識別技術在多個行業(yè)中都有了應用。通過人臉識別技術，可以便于企業(yè)的員工考勤、優(yōu)化客戶的使用體驗、提高服務水平等。如在防盜門上安裝人臉識別技術，便可以防盜。在企業(yè)安裝人臉識別技術，可以提高員工的工作積極性。

人臉識別技術主要分為兩類：人臉特征提取識別和人臉檢測定位。人臉檢測定位要求能夠從所取的圖像中分割出人臉目標，然后進行歸一化處理。人臉特征提取識別時要求算法具有不變形。人臉特征提取識別中的技術難點在于人臉不是一成不變的，而是具有一定彈性和可變性，建模難度高。人臉檢測定位中的技術難點在于人臉目標模式的多樣性和背景的復雜性。未來人臉檢測定位的技術要能夠簡化復雜的背景，還要建立高維空間人臉建模。

五、計算機視覺領域的商用和創(chuàng)新應用

計算機視覺技術在商業(yè)中的應用越來越廣泛。主要應用范圍為安全監(jiān)控、犯罪體態(tài)識別、人臉識別、電子商務以及戶籍管理等許多方面。計算機視覺技術對于社會的經濟、安全、發(fā)展起到了積極的作用。如通過犯罪體態(tài)識別，可以幫助刑警將犯罪嫌疑人盡快捉拿歸案，保障人民群眾的人身和財產安全。企業(yè)通過使用人臉識別技術，可以防止替班、遲到、早退等不良現(xiàn)象出現(xiàn)，便于提高企業(yè)生產效率，促進企業(yè)發(fā)展。

現(xiàn)在計算機視覺技術在許多其他領域也有了新的應用。在工業(yè)生產中，通過圖像處理和物體檢測技術，工業(yè)生產中的某些相關任務的準確率和效率有了提升。在農業(yè)生產領域，對水果進行分級時往往采用人工分級。但是在實際人工分級時，操作難度比較大。這是因為果蔬都是自然產品，在外觀的有著較大的差異。計算機視覺技術的應用，可以讓果蔬實現(xiàn)自動分級。通過相關技術設置，可以根據(jù)果蔬的大小、顏色、形狀、表面損傷和光滑程度進行分級。

六、深度學習在計算機視覺領域的發(fā)展

雖然計算機視覺領域已經有了較大的發(fā)展和進步，但是還有較大的進步空間。在計算機算法方面，最近的研究報告指出將計算機視覺系統(tǒng)收集到的時序信息與CNN抽到的結構信息結合后能夠取得更好的效果，那么未來科研人員可以把此作為新的研究方向。另外，計算機視覺領域中的圖像問答和圖像摘要在近幾年的科研中有了新的突破，這都是計算機視覺技術與自然語言處理互相結合的結果。未來幾年，科研人員一定能有更大的研究發(fā)現(xiàn)和研究成果。最后，通過對網絡提取中的特征表示進行升級和改造，計算機在人工智能的應用范圍會更廣。

七、結束語

隨著科研人員的不懈努力，深度學習技術在近些年取得了不俗的發(fā)展和進步。文中提到的圖像分析、物體檢測以及人臉識別系統(tǒng)在技術方面已經成熟，在社會生產和生活中的應用也已經十分廣泛。對于圖像分割、圖像問答、圖像識別等領域也在不斷地發(fā)展進步中。相信在科研人員和全社會的共同努力下，計算機視覺領域會有更好的發(fā)展。

參考文獻

[1]張忠寶.關于人臉識別技術在商業(yè)銀行方面的應用——基于計算機視覺 [J]. 計算機光盤軟件與應用，2012，15（20）：61-62.

[2] 李東. 計算機視覺技術在工業(yè)領域中的應用 [J]. 電子技術與軟件工程，2017，（16）：147.

[3]張瑞宇，劉順淑.計算機視覺技術在果蔬采后處理中的應用[J].重慶工商大學學報（自然科學版）[J]，2004，（05）

[4] 陳鴻翔. 基于卷積神經網絡的圖像語義分割 [D]. 浙江大學，2016.

[5] 周益淇.深度學習在計算機視覺領域的應用進展 [J].電子制作，2018（08）.

（作者單位：北京信息科技大學機電工程學院）