亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        計算機信息領(lǐng)域的深度學習探析

        2021-10-30 17:55:18陳小娟
        科學與生活 2021年19期
        關(guān)鍵詞:深度學習

        摘要:本文主要從國內(nèi)外專家對深度學習定義入手,闡釋什么是深度學習,說明計算機領(lǐng)域深度學習的特征,探析計算機信息領(lǐng)域深度學習的內(nèi)涵與應(yīng)用,對深度學習可能的發(fā)展方向進行展望。

        關(guān)鍵詞:計算機信息;深度學習;卷積神經(jīng)網(wǎng)絡(luò);圖像分割

        深度學習是計算機信息領(lǐng)域的一個重要問題,在圖像識別、圖像分割、語音識別、視頻監(jiān)控、自主駕駛、人機交互等方面具有重要的研究意義和實用價值。

        隨著電子設(shè)備的應(yīng)用在社會生產(chǎn)和人們生活中越來越普遍,數(shù)字圖像、語音與視頻已經(jīng)成為不可缺少的信息媒介,每時每刻都在產(chǎn)生海量的圖像、音頻、視頻數(shù)據(jù)。如何從大量數(shù)據(jù)中提取需要的信息成為人們關(guān)注的主要對象。

        準確獲得感興趣目標具體信息,并將獲得的信息應(yīng)用到智能視頻監(jiān)控、機器人導(dǎo)航、人臉識別、數(shù)碼相機自動定位和聚焦、飛機航拍、衛(wèi)星圖像中道路檢測、自主駕駛等等現(xiàn)實任務(wù)中成為深度學習技術(shù)在計算機信息領(lǐng)域應(yīng)用的重點研究內(nèi)容。

        一、深度學習簡介

        近年來,深度學習在圖像分類和目標檢測等領(lǐng)域取得了突破性進展,成為目前最有效的自動特征學習方法。

        深度學習模型具有強大的表征和建模能力,通過監(jiān)督和非監(jiān)督的方式,逐層自動地學習目標的特征表示。將原始數(shù)據(jù)經(jīng)過一系列非線性變換,生成高層次的抽象表示,避免了手工設(shè)計特征的繁瑣低效[6]。

        目前應(yīng)用于計算機信息領(lǐng)域的圖像識別和圖像分割的深度學習,其模型主要包括堆疊自動編碼器(Stacked auto-encoders,SAE)、深度信念網(wǎng)絡(luò)(Deep belief network,DBN)、和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)等。

        堆疊自動編碼器(SAE)模型的實質(zhì)是多個自動編碼器(Auto-Encoder,AE)的堆疊。SAE模型將前一層自動編碼器的輸出作為后一層自動編碼器的輸入,逐層對自動編碼器進行預(yù)訓(xùn)練,然后利用人工神經(jīng)網(wǎng)絡(luò)反向傳播(Back Propagation,BP)算法對整個網(wǎng)絡(luò)進行微調(diào)。

        深度信念網(wǎng)絡(luò)(DBN)類似于SAE,它的基本單元是受限玻爾茲曼機(Restricted Boltzmann machines,RBM),整個網(wǎng)絡(luò)的訓(xùn)練分為兩個階段:預(yù)訓(xùn)練和全局微調(diào)。首先,以原始輸入為可視層,訓(xùn)練一個單層的RBM,該RBM訓(xùn)練完成后,其隱層輸出作為下一層RBM的輸入,繼續(xù)訓(xùn)練下一層RBM。以此類推,逐層訓(xùn)練,直至將所有RBM訓(xùn)練完成。通過這種貪婪式的無監(jiān)督訓(xùn)練,使整個DBN模型得到一個比較好的初始值。然后加入數(shù)據(jù)標簽,對整個網(wǎng)絡(luò)進行有監(jiān)督的微調(diào),進一步改善網(wǎng)絡(luò)性能。

        卷積神經(jīng)網(wǎng)絡(luò)(CNN)是圖像識別和圖像分割中的研究熱點,近年來取得了豐碩成果。圖1給出了由LeCun等提出的用于數(shù)字手寫體識別的卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)。

        CNN通常包含卷積層、池化層和全連接層。卷積層通過使用多個濾波器與整個圖像進行卷積,可以得到圖像的多個特征圖表示;池化層實際上是一個下采樣層,通過求局部區(qū)域的最大值或平均值,來達到降采樣的目的,進一步減少特征空間;全連接層用于進行高層推理,實現(xiàn)最終分類。

        CNN的權(quán)值共享和局部連接大大減少了參數(shù)的規(guī)模,降低了模型的訓(xùn)練復(fù)雜度,同時卷積操作保留了圖像的空間信息,具有平移不變性,和一定的旋轉(zhuǎn)、尺度不變性。

        2012年,Krizhevsky等將CNN模型用于ImageNet大規(guī)模視覺識別挑戰(zhàn)賽的圖像分類問題,使錯誤率大幅降低,在國際上引起了對CNN模型的高度重視。也因此推動了計算機信息領(lǐng)域深度學習的研究進展。

        二、深度學習在計算機信息領(lǐng)域的應(yīng)用

        目前,深度學習技術(shù)在計算機信息領(lǐng)域的應(yīng)用已經(jīng)達到了一個較深的層次,漸漸深入到人們生活的各個方面。例如醫(yī)療影像輔助診斷、刷臉支付技術(shù)、指紋識別技術(shù)、智能視頻監(jiān)控、機器人導(dǎo)航、數(shù)碼相機自動定位和聚焦、飛機航拍、衛(wèi)星圖像中道路檢測、自主駕駛等等。

        2.1醫(yī)療領(lǐng)域應(yīng)用

        深度學習在醫(yī)療領(lǐng)域中的應(yīng)用主要有以下幾個方面:

        醫(yī)學影像識別應(yīng)用:醫(yī)學影像是對疾病診斷的重要方式,放射科和病理科醫(yī)生,借助醫(yī)學影像,可以提高診斷效率。目前,國內(nèi)外醫(yī)學專家在心血管、腫瘤、神內(nèi)和五官等領(lǐng)域構(gòu)建多個精準深度學習輔助模型,取得較好成效。基于計算機信息輔助的深度學習技術(shù)可幫助醫(yī)生快速準確讀取病人影像數(shù)據(jù)。

        2.2無人駕駛領(lǐng)域應(yīng)用

        在無人駕駛領(lǐng)域中,使用激光、雷達等類型的傳感器比較昂貴,以深度學習為基礎(chǔ)的目標檢測和識別、目標分割法,具有其明顯的優(yōu)勢。利用基于深度學習的計算機視覺信息技術(shù),在無人駕駛過程中,攝像機采集即時視頻數(shù)據(jù),計算機信息系統(tǒng)對該數(shù)據(jù)進行理解與分析。包括對目標檢測和識別,目標跟蹤、車道線檢測分離等。為決策控制提供依據(jù),如前車碰撞預(yù)警等[7]。目前,深度學習芯片越來越多,為無人駕駛領(lǐng)域提供了更好的支持。

        2.3圖像搜索領(lǐng)域應(yīng)用

        基于深度學習的圖像識別技術(shù),在智慧科學與教育領(lǐng)域有效應(yīng)用受到人們極大青睞,如拍照植物進行識別類APP、試題拍照APP等。利用拍照提供的圖像數(shù)據(jù),借助智能計算,獲取相關(guān)內(nèi)容的分析與理解信息。深度學習在解決該類問題中的優(yōu)勢極其明顯。

        2.4安防領(lǐng)域應(yīng)用

        借助計算機信息技術(shù),實現(xiàn)安防智能化。深度學習技術(shù)中的人臉識別是該領(lǐng)域重要的應(yīng)用之一。借助深度學習,計算機加強對人臉檢測,對目標特征進行刻畫,為后續(xù)跟蹤和異常行為提供信息依據(jù)。

        三、總結(jié)

        深度學習是目前最熱門的機器學習方法,在計算機信息領(lǐng)域被廣泛研和應(yīng)用。本文從深度學習定義入手,探析了深度學習在計算機信息領(lǐng)域的應(yīng)用。

        在今后的工作和研究中,還要進一步完善深度學習理論,拓展深度學習技術(shù)在計算機信息領(lǐng)域的研究深度,激發(fā)深度學習在計算機信息領(lǐng)域應(yīng)用中的潛力。

        參考文獻

        [1]盧宏濤,張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述.數(shù)據(jù)采集與處理[J],2016,31(1):1-10

        [2]劉澤宇.計算機人工智能的發(fā)展現(xiàn)狀及趨勢[J].數(shù)字技術(shù)與應(yīng)用,2018,36(2)

        [3]劉海玲.基于計算機視覺算法的圖像處理技術(shù)[J].計算機與數(shù)字工程,2019,47(3):672-676

        [4]張新斌、康昌春、李文琿.基于深度學習角度探析醫(yī)學影像大數(shù)據(jù)[J].現(xiàn)代信息科技

        [5]劉建偉,劉媛,羅雄麟.深度學習研究進展.計算機應(yīng)用研究[J],2014,31(7):1921-1928

        [6]張慧,王坤峰,王飛躍.深度學習在目標視覺檢測中的應(yīng)用進展與展望[J].自動化學報,2017,43(8):1289-1305

        [7]Masci J,Meier U,Ciresan D,Schmidhuber J. Stacked convolutional Auto-encoders for hierarchical feature extraction[J]. In:Proceedings of the 21th International Conference on Artificial Neural Networks. Berlin Heidelberg,Germany:Springer,2011.52-59

        [8]Vincent P,Larochelle H,Bengio Y,Manzagol P A. Extracting and composing robust features with denoising Auto-encoders[J]. In:Proceedings of the 25th IEEE international Conference on Machine Learning(ICML). Helsinki,F(xiàn)inland:IEEE,2008.1096-1103

        湖北省教育廳科學研究計劃指導(dǎo)性項目:深度學習在乳腺MRI腫瘤分割中的應(yīng)用研究(B2020340)

        作者簡介

        陳小娟 出生年:1983,性別:女,籍貫:湖北荊門,學歷:大學本科,職稱:實驗師,研究方向:機器學習、教學質(zhì)量。

        猜你喜歡
        深度學習
        從合坐走向合學:淺議新學習模式的構(gòu)建
        面向大數(shù)據(jù)遠程開放實驗平臺構(gòu)建研究
        基于自動智能分類器的圖書館亂架圖書檢測
        搭建深度學習的三級階梯
        有體驗的學習才是有意義的學習
        電子商務(wù)中基于深度學習的虛假交易識別研究
        利用網(wǎng)絡(luò)技術(shù)促進學生深度學習的幾大策略
        考試周刊(2016年94期)2016-12-12 12:15:04
        MOOC與翻轉(zhuǎn)課堂融合的深度學習場域建構(gòu)
        大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
        深度學習算法應(yīng)用于巖石圖像處理的可行性研究
        久久婷婷五月综合97色一本一本| 一个人看的在线播放视频| 在线亚洲日本一区二区| 中文天堂一区二区三区| 户外精品一区二区三区| 久久久久亚洲av成人无码| 亚洲av日韩精品久久久久久 | 亚洲三级视频一区二区三区| 中文在线8资源库| 欧美国产亚洲日韩在线二区| 亚洲二区三区四区太九| 国产在线一区二区三区乱码| 人妻丝袜av中文系列先锋影音 | 亚洲中文字幕巨乳人妻| 东京热加勒比国产精品| 久久精品亚洲精品国产色婷| 人人妻人人澡人人爽曰本| 中文一区二区三区无码视频| 亚洲一品道一区二区三区| 中文字幕一区日韩精品| 亚洲福利视频一区| 亚洲第一页综合av免费在线观看| 丝袜美腿亚洲第一免费| 亚洲av麻豆aⅴ无码电影| 亚洲Va中文字幕久久无码一区 | 精品国产一区二区三区2021| 99久久99久久精品国产片果冻| 国产精品亚洲ΑV天堂无码| 国产精品自拍午夜伦理福利| 亚洲熟女www一区二区三区| 亚洲图区欧美| 一区二区三区在线观看视频免费| 亚洲一区毛片在线观看| 天干天干啦夜天干天2017| 国产三级精品美女三级| 国产成人av三级在线观看韩国 | 亚洲精品久久久无码av片软件| 国产精品电影久久久久电影网| 亚洲av毛片在线网站| 久久亚洲私人国产精品va| 亚洲日韩精品久久久久久|