基于深度学习的图像识别研究

摘要：本文从深度学习的历史发展进行分析，由此研究深度学习是如何促进对大量数据精准识别计算与预测准确率，从而能实现真正的图像智能识别。

关键词：深度学习;物体的识别;人脸识别;物体的检测

中图分类号：TP391.41 文献标识码：A 文章编号：1672-9129（2019）13-0021-01

Abstract： based on the analysis of the historical development of deep learning， this paper studies how deep learning can promote accurate recognition， calculation and prediction accuracy of a large number of data， so as to realize real intelligent image recognition.

Key words：deep learning; Object recognition; Face recognition; Object detection

引言：計算机的理论和技术的应用在近年来飞速发展，使得视频、图像处理和计算的能力得到显著提高。当前，以深度学习为基础的计算机视觉研究已逐步成为人工智能研究领域的重点内容。一般而言，所说的计算机视觉其实是一门研究用机器学会“看”的学科，之后紧接着进一步进行图形处理。下文就来探讨，深度学习领域的图像识别应用。

1 深度学习的发展

深度学习在近十年来，在许多领域都取得了惊人的成功，已经成为人工智能所在领域的重大进步。例如：辅助的自然语言处理、图像和视频分析、语音识别等方面。我们现在所说的“深度学习”，概念属于神经网络。上世纪在80年代和90年代颇为盛行，这一概念的提出目的在于，通过模拟人脑的认知机制，用以解决计算机研究中的各类难题。1986年，rumehart，Hinton和Williams在《自然》杂志上发表了《神经网络训练的反向传播算法》

神经网络是含有大量参数的，在作用过程常发生“过拟合问题”，在识别准确率高的同时，测试集的效果却差强人意。因为在当时的水平下，训练数据集的规模都比较小，其次计算资源稀缺，达到一个较小的网络的训练也需要大量的时间投入。因此，和其它的模型相比，神经网络并没有在识别准确率上有明显的优势。

许多人经常会有一个问题：深度学习和其它机器学习方法有什么区别？为什么它能在许多领域取得成功？事实上，与传统模式识别的最大区别在于，在深度学习中所用的所有特征均是通过大数据实现自动的学习行为。手工设计在过去的数年中一直处于领先地位，依靠事先的知识是来自设计师个人灵感，很难借助大数据的影响来实现，数量非常有限。不同之处在于，大数据的自动学习特征由深度学习表示中获得数万个不同的数据参数。有效特征的显现，通常通过手工设计需要5到10年的时间才可以做到，而通过深度学习可以快速的学习新型、有效的特征表示方法，以用于新的应用。

2 基于深度学习的图像识别

在2012年，计算机视觉领域的深度学得到历史性的突破。Hinton的团队，凭着深度学习的算法，在“Imagenet图像分类”比赛中获胜。与第二至第四位使用传统手工设计特征的其它组相比，其最大精度差异不大于1%。然而，singtondi研究组的准确率高于第二组，甚至超过10%。这一结果在学术界引起了极大的震动。

2.1深度学习在物体检测中的作用。目标检测比目标识别困难。由于一幅图像包含许多属于不同类别的对象，因此于对象的检测需要确定每个对象在这里的具体位置和类别。2013年，Image netilsvrc大赛主办方增加了这个目标检测功能。在40000张来自网络的图片中，他们希望识别出超过200种的物体种类，赢得比赛的人在最后一次使用的是手动设计的性能，平均的精密度（map）只有大概的22.6%，而在2014，平均检测率被深度学习提高了43.9%。RCNN首次提出了基于深度学习的目标检测方法，并得到了广泛的应用。

2.2人脸识别。深度学习，其在物体地识别上，第二个重点应用是人脸识别。人脸识别的强大功能不仅体现在信息安全、移动支付，在刑侦和破案中也有着重要的使用效果。姿态、光线、表情等因素，使识别人脸变得困难，是人脸识别的最大难题。和其所引起的类内地变化以及，身份不同，产生的类间地变化。这些变化是非线性分布的，并且分布非常复杂复杂，传统手工设计地类型线性模型无法将它们精确区分。利用深度学习，新的特征由多层非线变换得出。这些新特征应该尽可能使保类间的变化被保留，多地去掉类内变化。

人脸识别包括两个任务：人脸识别和人脸识别。确认是指判断两张人脸照片是否属于同一个人，属于两类问题。所以随机猜测的准确率是一半。识别就是将人脸图像分成n类，n类由人脸的身份来定义。它被定义为一个多分类问题，具有很强的挑战性。随着类别数的增加，难度增加，随机猜测的准确率仅为1/n，需要注意的是，这两种任务都可以利用深度夫人模型来学习人脸的表情特征。

与图像识别不同的是，运用深度学习的领域，还包括在视频分类中的应用，但其应用和理论准备并不够充分。从Image Net的训练得出的图像特征，可以直接被用在识别物体的任务中，同时在和图像有关的识别任务中出现。如：图像分类、图像的分割、检索和物体检测等方面）和很多不同的图像测试集里面，具有极其优良的泛化性和普及性。

3 结语

毫无疑问，深度学习因已经在实践中取得了巨大飞跃，通过大数据的训练的深度模型，其能体现出的特性引人入胜，但是，诸多理论分析工作有待完成。如：怎么使得局部极小点得以实现？各层的不断变换，得到了哪些对识别由好处的方面，又损失了什么关键信息呢？和图像识别相关的其他具体实践不断推进深度学习的发展——体现在各个方面。相信在未来将取得更深远的进步和发展。

参考文献：

[1]王家.基于深度学习的图像识别问题中对抗样本的研究[J].电脑知识与技术，2019，15（28）：222-223.

[2]屈薇.基于深度学习的图像识别算法研究[J].数字技术与应用，2019，37（09）：121-122.

[3]张琦，张荣梅，陈彬.基于深度学习的图像识别技术研究综述[J].河北省科学院学报，2019，36（03）：28-36.

[4]张曰花，王红，马广明.基于深度学习的图像识别研究[J].现代信息科技，2019，3（11）：111-112+114.

作者简介：侯锐（1980.8-）女，汉，陕西宝鸡人，西安石油大学硕士，西安石油大学讲师，计算机应用。