王巖 姬一波

【摘要】? ? 近年來，社會經(jīng)濟快速發(fā)展的同時，計算機信息技術(shù)更新的速度不斷加快，逐漸滲透到各個領(lǐng)域當(dāng)中，為人們帶了極大的便捷?；ヂ?lián)網(wǎng)的普及也使得信息量呈爆炸式增長，卷神經(jīng)網(wǎng)絡(luò)能夠大幅度提升圖像的識別率，從而更加高效的挖掘圖片信息數(shù)據(jù)，人工智能技術(shù)越來越成熟，深度學(xué)習(xí)也備受人們的高度關(guān)注。傳統(tǒng)圖像識別技術(shù)相對落后，且識別率低，面對海量的圖像信息數(shù)據(jù)，傳統(tǒng)識別方式顯然已經(jīng)無法滿足當(dāng)前的實際需求。

【關(guān)鍵詞】? ? 卷積神經(jīng)網(wǎng)絡(luò)? ? 圖像識別? ? 算法? ? 邏輯回歸

引言：

卷積神經(jīng)網(wǎng)絡(luò)是一種基于人工神經(jīng)網(wǎng)絡(luò)，并將深度學(xué)習(xí)理論融入其中，從而探索出的一種新型識別算法，這也是目前圖像識別領(lǐng)域發(fā)展過程中的重點研究方向。自上世紀九十年代末以來，CNN識別技術(shù)便步入了高速發(fā)展階段，且逐漸趨于穩(wěn)定，但是該網(wǎng)絡(luò)技術(shù)結(jié)構(gòu)存在一定局限性，在對自然圖像進行識別過程中，整體效率與速度依然存在不足之處，無法達到理想化的程度。為了有效改進與優(yōu)化CNN在自然圖像識別過程中的整體效果，文章通過對當(dāng)前CNN網(wǎng)絡(luò)結(jié)構(gòu)進行了深入分析，并進一步提出了自然圖像識別的卷神經(jīng)網(wǎng)絡(luò)算法，從而逐步實現(xiàn)CNN識別算法可在短期時間之內(nèi)進行快速收斂，從而達到理想的識別效果。

一、圖像識別與卷神經(jīng)網(wǎng)絡(luò)簡述

1.1圖像識別算法

1.1.1貝葉斯分類法

該方法是統(tǒng)計學(xué)中的一種，以統(tǒng)計學(xué)為基礎(chǔ)，并采用葉貝斯定理對其進一步分類，這樣的分類方法可以將分類問題逐漸轉(zhuǎn)化為概率的形式進行表達，并且概率為已知，對圖像特征進行提取分類，通過貝葉斯定理公式計算驗證，之后將圖像進行分類，公式如下：

從以上公式當(dāng)中我們能夠看到，P（B）能夠表明B條件下的概率，P（AB）指的是相同條件下實現(xiàn)概率，P（A/B）指的是B條件發(fā)生后，A件的發(fā)生概率。該方法有一定的缺點，并非每個圖像都可有效提取具有一定代表性的特點，當(dāng)出現(xiàn)該情況時，采用該方法進行圖像分類，會造成圖像分類出現(xiàn)非常大的誤差[1]。

1.1.2模板匹配法

從名字當(dāng)中便能夠看的出來，其是由根據(jù)模板在目標(biāo)圖像當(dāng)中對其進行匹配，這樣的方法也被廣泛應(yīng)用于圖像處理過程中。具體的過程為，先制定模板，之后再針對目標(biāo)圖像以及對應(yīng)模式，匹配和模板大致相似的圖像，比較相似的部分還包含圖像的方向與大小，再經(jīng)過匹配之后，便能夠確定圖像的具體位置。這樣的方法也存在缺點和不足，需要結(jié)合圖像設(shè)計類似的模板，因此對設(shè)計者的研究經(jīng)驗要求較高[2]。

1.2卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)屬于人工神經(jīng)網(wǎng)絡(luò)，對映射特征圖和卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中的卷積核進行計算，并采用函數(shù)計算，一般經(jīng)常使用的是雙曲正切函數(shù)。卷積層獲取圖像特征，從不同局域獲取單元節(jié)點數(shù)據(jù)，需要覆蓋整個數(shù)據(jù)集，如果是相同的圖像，使用卷積核時是不同的，輸入圖像不同，應(yīng)當(dāng)采用相同卷積核，這便是權(quán)值共享。在池化層當(dāng)中，為降低平面圖大小，可取映射平面圖中的矩形區(qū)域最大值，這樣可有效降低平面圖大小，并且維持空間不發(fā)生變形，避免發(fā)生過度擬合的情況。如映射層面特征圖大小為8**，在經(jīng)過池化后，便會得到4*4大小的特征圖[3]。

二、基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法設(shè)計

2.1 Mapreduce編程結(jié)構(gòu)模型

Mapreduce是一種并行編程模型，主要應(yīng)用于大型計算機集群工作中，可對TB、PB數(shù)據(jù)集進行有效處理，編程模型具有包容性強、操作簡單以及整體擴展能力強等諸多優(yōu)勢和特征，被廣泛應(yīng)用于計算機科學(xué)領(lǐng)域當(dāng)中，Mapreduce編程結(jié)構(gòu)是一種樹狀圖結(jié)構(gòu)，采用主節(jié)點對大數(shù)據(jù)集操作模塊進行管理，主節(jié)點之后再將任務(wù)分發(fā)到不同分界點，由分節(jié)點對數(shù)據(jù)進行處理后匯總到主節(jié)點。Mapreduce整個處理過程中主要是由Map函數(shù)與Reduce函數(shù)兩個部分共同組成，兩個函數(shù)的具體處理任務(wù)也有很大不同，Map函數(shù)是對需要進行處理的任務(wù)進行分解為多個模塊，Ruduce函數(shù)是對完成處理之后的模塊匯總。流程如下圖1所示。

2.2基于Mapreduce的CNN算法設(shè)計

該算法是對所訓(xùn)練數(shù)據(jù)進行分類，分為大致相同的小部分，和Hadoop平臺中的節(jié)點對應(yīng)，并且通過平均分布的方式進行有效存儲，通過不同節(jié)點儲存CNN網(wǎng)絡(luò)數(shù)據(jù)，進行網(wǎng)絡(luò)訓(xùn)練過程，Mapper任務(wù)接受數(shù)據(jù)，可作用在不同節(jié)點，并利用正向和方向傳播，計算權(quán)值和偏置的變化量，并形成中間鍵數(shù)值，完成樣本計算后，對本地文件進行處理，本地文件進行匯總處理之后，各次訓(xùn)練獲取到的數(shù)據(jù)再寫進全局文件當(dāng)中[4]。

2.3 CUDA技術(shù)及平臺分析

CUDA編程模型屬于一種能夠支持GPU處理計算的數(shù)據(jù)開發(fā)利用環(huán)境，其由NVIDIA公司提出，GPU是一種圖像處理器，GPU的發(fā)展及應(yīng)用大幅度提升了計算機圖形的處理效率與質(zhì)量，且對計算機圖像仿真、虛擬現(xiàn)實環(huán)境以及圖像處理技術(shù)等領(lǐng)域的發(fā)展具有重要的促進作用。CUDA和GPU之間的有效結(jié)合，使得編程人員在CUDA平臺上可采用一般通用化的匯編語言C語言進行匯編，之后再采用GPU完成匯編程序整個運行過程，這樣便不需要單獨的去學(xué)習(xí)圖像知識，從而有效降低GPU數(shù)據(jù)計算的難度，使其更加簡化，從而大幅度提升了系統(tǒng)的整體穩(wěn)定性。CUDA平臺下的數(shù)據(jù)處理結(jié)構(gòu)由CPU與GPU兩者共同組成，GPU+CPU結(jié)構(gòu)可有效提升計算機性能，同時也能夠節(jié)約能源。[5]

2.4多區(qū)域邏輯回歸計算的網(wǎng)絡(luò)具體改進方法

圖像識別過程中，為了不斷提升實際訓(xùn)練過程及速度，是需要針對圖像實際情況，對其進行預(yù)處理的，這樣也能夠有效去除圖像當(dāng)中過多的干擾信息數(shù)據(jù)，之后再對處理之后的圖像進行劃分以及識別，文章將其主要劃分為5個區(qū)域，即四個角區(qū)域與中心區(qū)域，在測試識別過程中，只對中間區(qū)域進行測試。

三、圖像識別結(jié)果分析

3.1結(jié)果

通過系統(tǒng)的篩選以及訓(xùn)練整個過程，輸入系統(tǒng)當(dāng)中的數(shù)據(jù)集主要分為兩類結(jié)果：系統(tǒng)預(yù)測分類和期望值符合情況下，系統(tǒng)會顯示分類正確，系統(tǒng)預(yù)測分類各期望值不相符情況下，系統(tǒng)會顯示分類錯誤的情況，采用通用數(shù)據(jù)集輸入接口方式，這樣可對數(shù)據(jù)集進行合理有效分類。

3.2不同區(qū)域測試對識別結(jié)果產(chǎn)生的影響

這里主要采用的是COFAR10數(shù)據(jù)集測試，系統(tǒng)會針對每個具體測試結(jié)果以及錯誤率進行合理保存，并采用Python腳本查看錯誤率的整個變化狀況，每個epoch為128個樣本。對參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進行調(diào)整，在未采用邏輯回歸計算時，系統(tǒng)分類錯誤率為18%，采用邏輯回歸后，系統(tǒng)分類錯誤率為13.4%，準(zhǔn)確率大幅度提升。原始圖像處理過程中，圖像未經(jīng)裁剪，但在MR-CNN-G使用過程中，圖像是經(jīng)過裁剪的，訓(xùn)練過程中，前者所用時間更少，在測試環(huán)節(jié)當(dāng)中，時間明顯增加了。

四、結(jié)束語

近年來，隨著互聯(lián)網(wǎng)計算機技術(shù)的快速發(fā)展與普及，已經(jīng)逐漸滲透進人們生活中的方方面面，為人們帶來了極大的便捷，圖像識別算法作為一項新型的技術(shù)，經(jīng)過長期的發(fā)展，CNN算法也取得了顯著的成果，通過對其進行優(yōu)化改進之后，運用到圖像識別過程中，這樣也極大的提升了圖像識別的實際準(zhǔn)確率，并且在整個提升過程當(dāng)中，數(shù)據(jù)處理效果明顯增加，但是就目前現(xiàn)狀來看，依然存在諸多問題，如圖像處理過程復(fù)雜化，預(yù)處理時間也比較長，在對GPU引入過程中，因為數(shù)據(jù)接口不通用，因此，需要選擇及輸入相關(guān)數(shù)據(jù)集。

參? 考? 文? 獻

[1]張榮磊， 田愛奎， 譚浩，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[J]. 山東理工大學(xué)學(xué)報（自然科學(xué)版）， 2018， 032（001）：48-50.

[2]田壯壯， 占榮輝， 胡杰民，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識別研究[J]. 雷達學(xué)報， 2016， 5（3）33-34

[3]杜蘭， 劉彬， 王燕，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測算法[J]. 電子與信息學(xué)報， 2016（12）.22-23

[4]許振雷， 楊瑞， 王鑫春，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識別的算法的研究[J]. 電腦知識與技術(shù)， 2016， 12（010）：194-196.

[5]李志明. 基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜活體檢測算法研究[J]. 計算機工程， 2016， 42（005）：239-243，248.