王 顥

0 引言

隨著信息技術(shù)的快速發(fā)展，圖像的數(shù)量呈指數(shù)型增長(zhǎng)，圖像識(shí)別技術(shù)可以智能、高效地完成海量圖像的分類(lèi)與識(shí)別，因此，圖像識(shí)別一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。近年來(lái)，深度學(xué)習(xí)技術(shù)的應(yīng)用范圍日益擴(kuò)大，將深度學(xué)習(xí)應(yīng)用到圖像識(shí)別領(lǐng)域已成為新的研究方向。

1 圖像識(shí)別

隨著網(wǎng)絡(luò)信息技術(shù)的發(fā)展，各類(lèi)社交軟件正逐漸成為人們獲取信息、保持與他人聯(lián)絡(luò)的必備手段。在這些社交軟件中，圖片由于不會(huì)受到語(yǔ)言和文字等地域文化的約束，正在逐漸取代傳統(tǒng)的文字信息表達(dá)方式。

圖像識(shí)別技術(shù)能夠智能的提取圖像特征、完成圖像分類(lèi)，現(xiàn)已應(yīng)用到醫(yī)療、交通、安防等各類(lèi)生活場(chǎng)景中。圖像識(shí)別一般包括圖像預(yù)處理、圖像特征提取和圖像分類(lèi)三個(gè)步驟。圖像預(yù)處理是通過(guò)去除圖像中的噪聲和干擾，增強(qiáng)有用信息，來(lái)提高圖像識(shí)別的準(zhǔn)確率。圖像的特征提取是將圖像轉(zhuǎn)化為“非圖像”的描述，比如數(shù)值表示或向量描述等，其基本思想是將高維空間中的原始圖像映射或變換為低維特征描述。圖像識(shí)別是以提取到的圖像特征為基礎(chǔ)，根據(jù)分類(lèi)決策，得到待識(shí)別圖像所屬的類(lèi)別。

2 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，其概念源自人工神經(jīng)網(wǎng)絡(luò)（ANN），人工神經(jīng)網(wǎng)絡(luò)從信息處理角度模擬了人腦的神經(jīng)元之間傳遞和處理信息的模式。2006年，Hinton[1]等人提出深度學(xué)習(xí)的概念，它是一種包含多隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠更加抽象、更深層次地描述目標(biāo)對(duì)象的特征。

深度學(xué)習(xí)一般可以分成有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，分類(lèi)的依據(jù)是數(shù)據(jù)是否含有標(biāo)記。有監(jiān)督學(xué)習(xí)過(guò)程中會(huì)找出訓(xùn)練數(shù)據(jù)的特征與標(biāo)記之間的映射關(guān)系，并且通過(guò)標(biāo)記不斷糾正學(xué)習(xí)過(guò)程中的偏差，不斷提高學(xué)習(xí)的預(yù)測(cè)率。有監(jiān)督學(xué)習(xí)主要有卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和深度堆疊網(wǎng)絡(luò)（DSN）。無(wú)監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)沒(méi)有標(biāo)記，常用的算法有受限玻爾茲曼機(jī)（RBM）、深度置信網(wǎng)絡(luò)（DBN）等。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是深度學(xué)習(xí)的重要組成部分，也是圖像識(shí)別領(lǐng)域中應(yīng)用較為廣泛的模型之一，CNN模型的優(yōu)點(diǎn)主要在于避免了對(duì)圖像處理前期過(guò)程中大量的特征提取工作，簡(jiǎn)化了圖像預(yù)處理的步驟。CNN模型是以圖像的局部關(guān)聯(lián)性和特征重復(fù)性為假設(shè)條件，即假設(shè)圖像某一點(diǎn)的像素一般與其相鄰像素的關(guān)聯(lián)性較大，與其他像素的關(guān)聯(lián)性較小，避免了全連接所必需的大量參數(shù)，這就是CNN的局部連接特性。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是針對(duì)序列數(shù)據(jù)問(wèn)題而設(shè)計(jì)的，RNN在網(wǎng)絡(luò)模型中引入了定性循環(huán)的概念，信號(hào)在兩個(gè)神經(jīng)元之間傳遞之后并不會(huì)立刻消失。與卷積神經(jīng)網(wǎng)絡(luò)不同的是，循環(huán)神經(jīng)網(wǎng)絡(luò)中隱藏層神經(jīng)元的輸入不僅包含了上一層神經(jīng)元的輸出，也包含了前一時(shí)刻該隱藏層神經(jīng)元的輸出。RNN是具有記憶功能的網(wǎng)絡(luò)模型，適合處理序列數(shù)據(jù)，因?yàn)樾蛄袛?shù)據(jù)具有很強(qiáng)的關(guān)聯(lián)性，前面的數(shù)據(jù)對(duì)后面的數(shù)據(jù)有很大的影響[3]。

2.3 生成式對(duì)抗網(wǎng)絡(luò)

生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）是由Ian Goodfellow等人于2014年提出的一種無(wú)監(jiān)督模型，GAN在對(duì)抗過(guò)程中估計(jì)并生成模型[4]。GAN打破了傳統(tǒng)生成算法的模式，采用博弈方式來(lái)優(yōu)化兩個(gè)模型，即生成模型G和判別模型D。生成模型G捕捉真實(shí)樣本數(shù)據(jù)的分布，并生成新的數(shù)據(jù)樣本。判別模型D是一個(gè)二分類(lèi)器，估計(jì)一個(gè)輸入樣本來(lái)自訓(xùn)練樣本的概率。與傳統(tǒng)的生成算法相比，GAN只用到反向傳播，與之前的馬爾可夫鏈模式相比效率更高。而且，GAN的損失函數(shù)與傳統(tǒng)的均方誤差相比更加嚴(yán)謹(jǐn)，因此GAN在圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域取得了廣泛的應(yīng)用。

3 深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用

深度學(xué)習(xí)具有特征提取能力強(qiáng)、實(shí)時(shí)性快、識(shí)別精度高的優(yōu)點(diǎn)。目前，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于圖像識(shí)別領(lǐng)域的各個(gè)方面。

3.1 人臉識(shí)別

人臉識(shí)別技術(shù)是根據(jù)人臉的特征信息完成身份識(shí)別的一種生物智能識(shí)別技術(shù)。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)已成為學(xué)者們研究的熱點(diǎn)[5]?；谏疃葘W(xué)習(xí)的人臉識(shí)別技術(shù)是由多層非線性感知器構(gòu)成的學(xué)習(xí)模型，通過(guò)大規(guī)模的樣本圖像訓(xùn)練得到識(shí)別模型，不需要進(jìn)行人工特征提取，在樣本的訓(xùn)練過(guò)程中自主的逐層學(xué)習(xí)多層信息，識(shí)別準(zhǔn)確率極高。

隨著人臉識(shí)別技術(shù)的日益成熟，人臉表情識(shí)別成為近年來(lái)人臉識(shí)別領(lǐng)域研究的熱點(diǎn)。表情是人類(lèi)內(nèi)心世界的外在流露，也是人機(jī)交互過(guò)程中的關(guān)鍵信息。人臉表情識(shí)別可以廣泛應(yīng)用于智能駕駛、醫(yī)療護(hù)理、客戶(hù)分析等領(lǐng)域，不僅在學(xué)術(shù)研究領(lǐng)域具有重要的學(xué)術(shù)價(jià)值，在工業(yè)界也具有至關(guān)重要的應(yīng)用價(jià)值。

3.2 醫(yī)學(xué)圖像識(shí)別

醫(yī)學(xué)圖像識(shí)別的主要目標(biāo)是從海量的醫(yī)學(xué)圖像中高效、準(zhǔn)確的提取出有用的病理信息，為醫(yī)學(xué)研究、臨床診斷以及疾病治療提供堅(jiān)實(shí)的基礎(chǔ)。目前，卷積神經(jīng)網(wǎng)絡(luò)已成為醫(yī)學(xué)圖像識(shí)別的首選算法，卷積神經(jīng)網(wǎng)絡(luò)以卷積算法、池化算法為基礎(chǔ)，逐步提取目標(biāo)圖像中的病理信息，將提取到的圖像特征集合成高階特征，從而完成醫(yī)學(xué)圖像的識(shí)別與診斷[6]。

在學(xué)習(xí)大量的樣本圖像后，深度學(xué)習(xí)算法獲取的特征信息完全有可能超過(guò)醫(yī)生的實(shí)踐經(jīng)驗(yàn)，可以站在專(zhuān)家的高度做出高效的判斷，既減輕了醫(yī)生的負(fù)擔(dān)，又提高了診療的效率與準(zhǔn)確性，對(duì)現(xiàn)代醫(yī)學(xué)的發(fā)展具有重要的意義。

3.3 遙感圖像識(shí)別

隨著遙感圖像分辨率的日益增大，傳統(tǒng)的識(shí)別算法已無(wú)法滿(mǎn)足遙感圖像的識(shí)別要求，因?yàn)閭鹘y(tǒng)算法對(duì)人工特征提取的依賴(lài)性較高。深度學(xué)習(xí)技術(shù)具有強(qiáng)大的學(xué)習(xí)能力，可以自動(dòng)組合低級(jí)特征、自動(dòng)的提取高級(jí)特征，還可以采用深層結(jié)構(gòu)的模型完成高分辨率遙感圖像的識(shí)別與分類(lèi)，而且能夠充分利用遙感圖像的空間結(jié)構(gòu)信息。遙感圖像與深度學(xué)習(xí)技術(shù)相結(jié)合能夠有效地提取遙感圖像的有用特征，在數(shù)據(jù)降維方面的表現(xiàn)尤其突出[7]。許多學(xué)者把深度學(xué)習(xí)應(yīng)用于遙感圖像識(shí)別領(lǐng)域中，在識(shí)別建筑、道路、植被、林地、水利等地物時(shí)取得了較好的效果。

4 結(jié)語(yǔ)

近年來(lái)，深度學(xué)習(xí)技術(shù)的應(yīng)用范圍日益廣泛，已成為圖像識(shí)別領(lǐng)域的主流應(yīng)用技術(shù)之一。但是，深度學(xué)習(xí)模型仍具有待完善的問(wèn)題，比如訓(xùn)練數(shù)據(jù)的優(yōu)化問(wèn)題，這是因?yàn)樯疃葘W(xué)習(xí)對(duì)訓(xùn)練數(shù)據(jù)具有很強(qiáng)的依賴(lài)性。因此在以后的研究中要考慮如何優(yōu)化訓(xùn)練數(shù)據(jù)，進(jìn)一步提高識(shí)別準(zhǔn)確率。