李翔宇 孫曉慶

隨著科學發(fā)展，近年來，人工智能、深度學習蓬勃發(fā)展，在越來越多的領(lǐng)域中得到了廣泛運用，人工智能是當前的熱點話題，越來越多的行業(yè)正在對人工智能及其相關(guān)學科進行研究。人工智能的一大特點就是自學習能力，即提供學習的數(shù)據(jù)越多，處理能力越強，因此大數(shù)據(jù)處理是人工智能密不可分的一部分，深度學習作為人工智能的重要部分也具備同樣的特點，而圖像則是一種重要的學習數(shù)據(jù)

圖像是對人類來說是一種直觀的表現(xiàn)方式，我們可以通過圖像獲取視覺的內(nèi)容，并且了解其含義，可是對計算機來說，它只能通過圖像得到對應(yīng)的數(shù)字矩陣，而通過矩陣來理解內(nèi)容有一定的難度。因此為了便于計算機理解圖像所表達的意義以及傳遞的思想，需要用到圖像分類來解析成計算機可以理解的內(nèi)容。簡單的圖像分類包括為圖像打上一個具體的標簽。復雜的圖像分類可以分析圖像內(nèi)容并以人類可以讀懂的語句來反饋。

一、深度學習類型

傳統(tǒng)分類圖像的方法主要通過圖像自身特性進行分類，實質(zhì)是對圖像分類基于特征的學習，其中重要的一步是特征提取。在此階段，運用手動設(shè)計的算法，對圖像的特定部分編碼，比如形狀、色彩、材質(zhì)，用這些特征來評定圖像內(nèi)容。根據(jù)這些特征，進而用于訓練網(wǎng)絡(luò)及評估網(wǎng)絡(luò)。而基于深度學習的分類不同，由監(jiān)督學習、非監(jiān)督學習及半監(jiān)督學習組成。深度學習分類與傳統(tǒng)分類的對比如圖1所示。監(jiān)督分類有個特點是要提前建立判別函數(shù)。監(jiān)督學習運用較為廣泛的一類。先給定計算機訓練數(shù)據(jù)，創(chuàng)建一個訓練集，此模型會對輸入給它的數(shù)據(jù)進行預測，如果發(fā)現(xiàn)預測不恰當時，要及時糾正。不斷迭代，直到達到某一個停止標準，比如錯誤率低于某個設(shè)定值，或者迭代次數(shù)超過某個設(shè)定值。常用方法包括K近鄰法、馬氏距離分類、最大似然法等。K近鄰法通常會計算兩個數(shù)據(jù)之間的歐式距離或者是曼哈頓距離，歐式距離如公式1所示，曼哈頓距離如公式2所示。

監(jiān)督分類方法主要有：均值、方法等。在圖像分類中，假設(shè)圖像的數(shù)據(jù)集涵蓋本身以及對應(yīng)的分類標簽，此分類標簽是訓練計算機分類器，一旦分類器預測錯誤，可以用相應(yīng)的方法來糾正。與監(jiān)督學習不同，非監(jiān)督學習沒有標簽，而是特征向量。實際情況是我們可以比較容易地得到很多無標簽數(shù)據(jù)，假設(shè)可以根據(jù)無標簽數(shù)據(jù)來學習，則大量用于標記標簽數(shù)據(jù)的時間可以省下。典型的非監(jiān)督學習算法有PCA和K均值。還有各種算法可以應(yīng)用到神經(jīng)網(wǎng)絡(luò)，如：Autoencoders、SOMs和Adaptive Resonance Theory。半監(jiān)督學習介于上述兩種方式之間，即一些數(shù)據(jù)帶有標簽，而另一些則沒有。半監(jiān)督學習在計算機視覺中很有用處，可以先對一些數(shù)據(jù)貼上標簽，進而通過半監(jiān)督學習來給其它數(shù)據(jù)進行標簽。基于深度學習的圖像分類主要有四個步驟，第一步：收集數(shù)據(jù)集。將大量圖像作為數(shù)據(jù)集，確定好要區(qū)分的種類，并做一些去噪，強化等初步處理。第二步：劃分數(shù)據(jù)集，有了大量數(shù)據(jù)以后，將這些劃分為訓練集和測試集兩部分，一些常用的數(shù)據(jù)劃分比例如圖2所示，可以根據(jù)實際情況選擇所要的比例，如無特殊要求，可以采用一些隨機分配算法。第三步：訓練網(wǎng)絡(luò)。確定了訓練集后，就可以將這部分數(shù)據(jù)用來訓練網(wǎng)絡(luò)，可以采用梯度下降等方法進行訓練。第四步：評估，訓練好網(wǎng)絡(luò)以后，就可以通過測試集來對網(wǎng)絡(luò)結(jié)果進行評估。

最近幾年，隨著人工智能的興起，圖像分類的方法更偏向于機器學習。傳統(tǒng)機器學習方法 ，大部分使用的是淺層的結(jié)構(gòu)，所處理的數(shù)據(jù)有限。一旦遇到有更廣泛意義的圖像數(shù)據(jù)時，基于淺層結(jié)構(gòu)得到的特征很難完美地處理較為復雜的分類問題，一般會有表現(xiàn)性能和泛化能力不足的缺點。而深度學習在傳統(tǒng)機器學習基礎(chǔ)上更進一步，可以處理海量圖像數(shù)據(jù)，從中直接學習圖像的特征，并且對海量圖像數(shù)據(jù)進行分類。深度學習的優(yōu)點在于特征學習以及深層結(jié)構(gòu)，這兩點有利于提升分類的精度。特征學習可以從海量圖像中學習高級特征，也表達了數(shù)據(jù)內(nèi)在信息。深層結(jié)構(gòu)則會包括多層的隱層節(jié)點，意味著可以運用更多的非線性變換，大大增強擬合復雜模型的能力。本文主要介紹RBM、CNN、SAE這三種典型的深度學習方法。

（一）深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)RBM如圖3所示，是在受限玻爾茲曼機基礎(chǔ)上的發(fā)展而來，玻爾茲曼機BM屬于無監(jiān)督學習，參數(shù)空間的各種情況都是根據(jù)能量函數(shù)對應(yīng)能量域中的能量。

RBM可以解析較為復雜的數(shù)據(jù)，但是隨著今年來攝像頭等視覺采集設(shè)備越來越多，像素也越來越高清，總體來說，現(xiàn)在可以采集到的圖像數(shù)據(jù)比以往更多，特征更復雜，因此深度學習所要處理的數(shù)據(jù)也隨之越來越復雜，深度置信網(wǎng)絡(luò)處理這些復雜數(shù)據(jù)，需要用到無監(jiān)督學習和監(jiān)督學習相結(jié)合的辦法。在數(shù)據(jù)處理的每個階段都會得到圖像數(shù)據(jù)的特征，而下一階段會總結(jié)歸納前一階段所得特征信息，達到較好的識別水平。

（二）深度自編碼器

深度自編碼器SAE是對自動編碼器AE進行優(yōu)化發(fā)展。AE包括了編碼器及解碼器。自編碼器結(jié)構(gòu)如圖4所示。這兩者是圖像數(shù)據(jù)和特征空間的橋梁，編碼器把數(shù)據(jù)反應(yīng)到特征空間，解碼器進行相反的操作，即把特征映射回圖像空間，從而對輸入數(shù)據(jù)進行重新構(gòu)建。在輸入與特征空間之間轉(zhuǎn)化過程中可能會產(chǎn)生不同程度的誤差，在使用深度學習對圖像進行處理的過程中，要注意對學習過程的誤差進行處理和約束。AE有不同形式，只需改變或新增對應(yīng)的約束條件。

SAE則通過AE逐層疊加構(gòu)成，對得到的圖像數(shù)據(jù)進行編碼、然后解碼特征，從而簡化特征，通過自己的學習訓練，對圖像數(shù)據(jù)進行準確分析，得到不同圖像數(shù)據(jù)之間的聯(lián)系，深度挖掘圖像信息，高效而快速地對圖像進行分類。

（三）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）學習生物視覺的處理過程，在此基礎(chǔ)上構(gòu)建多階段Hubel-Wiesel結(jié)構(gòu)。CNN的實質(zhì)是表現(xiàn)輸入到輸出的映射關(guān)系。在學習之前，輸入及輸出間不存在特定的數(shù)學模型，而CNN通過海量圖像數(shù)據(jù)，學習輸入輸出間關(guān)系，訓練卷積網(wǎng)絡(luò)來建立模型，卷積神經(jīng)網(wǎng)絡(luò)如圖5所示。

CNN的網(wǎng)絡(luò)結(jié)構(gòu)比較復雜，由具備不同用途的各個層組成，除了輸入輸出層，還有卷積、池化、全連接層，先從圖像中隨機挑出一部分局域來組成訓練集，從小部分訓練集中學習一些特征，接著把這些特征用于濾波器，同整個圖像進行卷積運算，得到原始圖像里隨機位置的特征。CNN結(jié)構(gòu)中，特征面數(shù)目隨著深度增加而增加。實際上，當我們運用深度學習對圖像分類時，需要根據(jù)現(xiàn)實情況選擇神經(jīng)元個數(shù)和層數(shù)，卷積層和池化層交替設(shè)置。假設(shè)選中圖像數(shù)據(jù)中連續(xù)的范圍作為池化區(qū)域，只對相同神經(jīng)元得到的卷積特征進行池化，那么池化后的特征具有平移不變性。全連接層是經(jīng)過多個卷積、池化層后的一層。全連接層能夠?qū)η懊鎺讓拥臄?shù)據(jù)進行整合，用適合的函數(shù)提升自身性能，到了輸出層，會對所得信息用諸如邏輯回歸（soft max regression）的方法進行分類，需要注意選擇恰當?shù)膿p失函數(shù)。卷積運算公式如公式 3所示。其中i表示第i層參數(shù)，X代表輸入，Y代表輸出，b代表偏置，W表示卷積核權(quán)重，x、y、z為三維矩陣值。f（x）表示所用的激活函數(shù)，*為卷積符號。

對于深度學習劃分圖像類別的研究發(fā)展很迅速，新網(wǎng)絡(luò)結(jié)構(gòu)以及多網(wǎng)絡(luò)訓練方法伴隨著新技術(shù)而生，在圖像識別領(lǐng)域的創(chuàng)新性及準確率不斷提高。卷積神經(jīng)網(wǎng)絡(luò)改進的主要模型包括AlexNet、VGG、GoogleNet、ResNet等，技術(shù)持續(xù)優(yōu)化，網(wǎng)絡(luò)深度不斷加深，錯誤率不斷降低。CNN經(jīng)過梯度反向傳播算法來對卷積核的參數(shù)進行訓練，這屬于有監(jiān)督學習算法。同一平面設(shè)置神經(jīng)元權(quán)值一致，可以對海量圖像數(shù)據(jù)并行的學習、高效處理圖像。

基于深度學習的圖像分類一些方面也會不可避免的產(chǎn)生一些問題比如算法問題、圖像問題以及應(yīng)用問題，CNN參數(shù)多，而且現(xiàn)在的設(shè)置是基于經(jīng)驗及實踐，量化分析與研究是其存在的問題之一。需要進一步規(guī)范圖像數(shù)據(jù)。此外，目前趨勢是網(wǎng)絡(luò)加深，卷積神經(jīng)網(wǎng)絡(luò)的效果更佳，有的甚至達幾千層網(wǎng)絡(luò)，但這樣會帶來過擬合和耗時長的缺點，因此合理選擇網(wǎng)絡(luò)層數(shù)尤為重要。

二、結(jié)論和展望

本文首先介紹了深度學習和圖像處理的概念，對深度學習在圖像分類方面的研究現(xiàn)狀進行了闡述，并且對各類深度學習方法進行了分類，介紹了各個方法的優(yōu)點，特性，并且分析了存在的問題。針對部分問題闡述了相應(yīng)的解決辦法和關(guān)鍵技術(shù)。最后總結(jié)了基于深度學習的圖像分類方法。

隨著社會的發(fā)展，人工智能越來越多的出現(xiàn)在我們的生活及工作之中，包括各種語音識別，圖像識別，自動駕駛。同時，越來越多的地方需要采集圖像，分析圖像，判斷圖像，可以說對圖像信息進行分類處理將會在越來越廣泛的領(lǐng)域內(nèi)得到發(fā)展，而且對圖像的分類方法在原來的基礎(chǔ)上肯定會不斷發(fā)展，硬件設(shè)備將更加優(yōu)秀，軟件也會日趨完善，在各方面同時發(fā)展的條件下，對圖像的分類速度也會隨之不斷加快，正確率也能得到提升，處理效率也會不斷提高，因此圖像分類處理是一門熱點學科。目前來說，基于深度學習的圖像分類將在森林防火、軍事戰(zhàn)略、交通管理等方面蓬勃發(fā)展。在實時交通和無人駕駛等相關(guān)方面，也需要即時的圖像獲取及圖像分類?；谌蝿?wù)的端至端的卷積神經(jīng)網(wǎng)絡(luò)CNN的發(fā)展能幫助提升網(wǎng)絡(luò)實時性，也是發(fā)展的一大趨勢。同時需要在加快海量圖像訓練速度以及提升相應(yīng)硬件設(shè)備速度等方面進行研究。