网站地图 加入收藏 设为首页 原创论文网,覆盖经济,法律,医学,建筑,艺术等800余专业,提供60万篇论文资料免费参考

深度卷积神经网络在计算机视觉中的应用研究综述

作者:原创论文网 时间:2017-11-11 14:26 加入收藏
  机器学习中深度学习作为其中的重要分支,在近年来的发展学习中已经取得了有效的研究成果,并成为当前研究工作的热点话题。在加拿大教授Geoffery Hinton发表的《Science》这一学术文章中,对深度学习思想进行了首次叙述。随后在这一理论知识的推动下,深度学习逐渐在自然语言处理、图像分类、语音识别等方面都取得了突破性进步,并在工业界、学术界得到了更多关注。当前卷积神经网络的模型建构就在图像的大量分类工作、物体识别检测工作中高效进展,促使更多互联网领域的大型企业投入到资源的研究应用中,也是的深度学习系统的研究规模逐步扩大。
  
  1 深度卷积神经网络概述
  
  卷积神经网络主要是对二维输入的特殊数据进行整理,进而形成的人工多层神经网络。在整体网络中各层的组成都属于二维平面,且不同平面中都有较多独立的神经元构成,邻近的神经元之间能够相互进行连接,但是处在相同层次的神经元之间不能连接。当前神经元网络已经进入发展的蓬勃阶段,成为图像识别与语音分析中关键的研究点,并随着学习逐渐进行更高领域也产生了更加丰富的应用变化。从本质上来说,这种卷积神经网络属于首个研制成功的多层神经网络,这种算法模型更有利于多微信号的网络输入。并在学习逐渐深入的同时迎来了信息学习的热潮,当前卷积神经网络已经能够初步应用于自然语音处理、图像识别、语音识别等大规模不同的机器学习应用中。
  
  2 深度卷积神经网络在计算机视觉中的应用
  
  2.1 池化操作
  
  可以将卷积层中搜集的特征录入到分类器中展开训练,就能够得出最终的计算分类结果理论上来说把卷积层搜集的各种信息特征录入至分类器中需要进行大量的计算,尤其是在尺寸较大的图像分辨率中。但是,由于图像中的局部领域具有一定特征,很可能会在另一领域中也能使用,因此要对图像的局部位置进行特征的聚合统计,这种操作方式就属于池化操作。在池化操作中,若是选择图像的连续范围当作池化位置,则会相同的神经与那之间出现卷积特征的赤化应用,那么这些池化工作中就具有一定的平移不变性,并能够在池化的相同特征、分类器内一直输出同样的分类结果。这些分类结果与卷积后的特征比较,能有效减少特征向量的工作维度,并减轻计算工作内容,使得训练数据得到有效的扩展补充,避免其拟合作用过强。
  
  2.2 图像分类
  
  对图像进行分析、进而划分成多种类型的操作属于图像分类。这种操作方法更加强调图像整体的一一确定,因此当前的图像分类计算方式中有多种数据集带有各类标签。例如CIFAR-10/100、Caltech-101/256等,而ImageNet中包含了大量高分辨率的标签图像,数量超过了1500万张。其中多数的卷积神经网络模型中都需要图像大小的数据录入,但容易在图像剪切中丢失图像信息中的原始数据;或是要对图像的长宽比与大小展开调整,以免图像发生变形扭曲。并注意输入的图像大小中卷基层是否产生约束作用,保证维数在输入过程的固定。自深度学习应用于ILSVRC2012图像分类比赛中并赢得良好成绩以来,这一深度学习的模型方法已经逐渐的图像识别中得到推广。且新神经网络的模型出现也在对其成绩不断舒心,促使这一网络模型的图像特征学习飞速提升。
  
  2.3 物体检测
  
  通图像分类相比,物体的检测工作属于计算机视觉领域中更为复杂的话题,在同一张图片中可能出现多种类型的物体,都需要单独的种类识别与定位。因此,物体检测工作要想提升其工作效果,就要进行更为深度的模型学习研究。当前对于卷积神经网络的物体检测模型工作通常都是总结其选择区域的分类以及如何进行区域选择两项问题,因此物体检测的工作难度要远远大于图像分类工作。在解决问题中的步骤内容也更加繁琐复杂,其中的模型要求标准也更多。所以物体监测模型的发展不单单是对网络自身结构的改进,也使得模型的训练流程方法得到优化,进而更好应用到实践的操作过程中。
  
  3 结语
  
  深度学习作为当前备受关注的研究内容,对卷积神经网络中卷积层的运用,能够有效提取网络架构中的自身特征与学习内容,并使其在研究工作中起到推动作用, 能够有效减少复杂内容的学习。另外,池化操作、图像分类、物体检测等工作都已经在深度学习中得到了大量的应用与促进。随着深度学习应用的推广使用,以及更加深入的研究开发取得了非常大的进展。总而言之,当前人们对深度学习的使用还只是对简单推理计算的应用,就已经在图像语音领域取得了很好的研究成果。这也预示着随着卷积神经网络的深入研究以及特征提取,能够更为有效的表现出其在其他领域的一些特征,并随着复杂推理的发展,深入到人工智能操作的更多方面。
 
  [参考文献] 
 
  [1] 黄斌,卢金金,王建华等.基于深度卷积神经网络的物体识别算法[J].计算机应用,2016(12). 
  [2] 卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016(01). 
  [3] 汤鹏杰,王瀚漓,左凌轩.并行交叉的深度卷积神经网络模型[J].中国图象图形学报,2016(3).
深度卷积神经网络在计算机视觉中的应用研究综述相关文章
重要提示:转载本站信息须注明来源:原创论文网,具体权责及声明请参阅网站声明。
阅读提示:请自行判断信息的真实性及观点的正误,本站概不负责。
别人都分享了,你还在等什么?赶快分享吧!
更多
我们的服务
联系我们
热门推荐
热门推荐