深度卷积神经网络的发展及其在计算机视觉领域的应用

杜雪，王浩然，王欣悦

（南京邮电大学，江苏 南京 210000）

0 引言

卷积神经网络是应用最为广泛的人工神经网络，该模型由简单和复杂细胞构成，简单细胞对应不同区域，对于不同方向采取不同反应，获得更大感受，通过交替出现简单和复杂细胞，神经网络可以获取图像特征和抽象性。卷积神经网络是降采样层和卷积层交替出现的神经网络，经过多年的应用取得了突出进步，在计算机视觉领域中发挥着重要价值。

1 深度卷积神经网络的发展

卷积神经网络是由卷积层提取特征，亚采样层处理特征，交叠构成多层神经网络。网络输入是通过手写方式输入图像，对结果识别，输入过程需要进行多次卷积以及采样加工，在全连接层进行和目标的映射。一般情况下神经元和感受神经进行连接，卷积层用多个卷积核对通道，捕捉特征点，按照组合方式输出，特征图按照采样层S2后，可以缩减尺寸，神经元和对应特征对应映射，得到计算结果。卷积层神经元、采样层神经元分别进行模拟简单和复杂细胞，对卷积核共享，和特征对应，进行采样操作。

卷积神经网络卷积层包含特征图较多，在核对图像后运算，将元素视为权值参数，和输出图像像素值相乘，求和得到输出像素。采样层也被称为池化层，进行池化采样，在减少数据量同时保留信息[1]。神经网络和连接层进行对接，隐层结构和连接层一致，神经元一一对接。卷积神经网络在BP算法支持下，通过模拟训练，能够让神经元享有连接权，减少了训练数目。近年来通过增加神经网络的层数，增加样本，让算法不断优化，从而超越传统识别和机器学习算法，进一步提高了神经网络性能以及精准度，让神经网络的应用效果得到显著提升。借助于卷积神经网络的支持，计算机视觉服务范围不断扩大，已经逐渐融入金融行业、交通行业、服务行业等体系中，实现广泛应用，支持全社会智能化水平的提高，让人脸识别得到稳定应用，大幅提高社会服务和各个行业的便捷性。

2 深度卷积神经网络的应用

2.1 图像分类

在计算机视觉领域内最基础的应用是图像分类，根据设定对给定图片进行分类，让图片内容划分到合适的分类中，并进行类别标记。图像分类的主要进展为ImageNet ILSVRC任务上，常见图像分类数据集还包括Caltech256、SUN等。

2.2 目标检测

在目标检测中，是计算机视觉基础工作，可以标记设定对象，对目标物体进行标记，并进行图像分类。相比于图像分类，目标检测在图像特定区域、分类上更为重视，且检测更加复杂。传统目标检测使用Haar、SIFT等描述，通过滑动窗口能够识别，对每类物体单独训练分类器。目标检测领域作为最具影响力检测算法，能够对目标进行处理，具备较高检测率，能够满足人脸检测的需要，实现广泛应用。使用AdaBoost算法框架，提取Haar-like特征[2]。在窗口界面搜索定位，特征为图像梯度直方图，检测通过支撑向量机实现，考虑到自然界物体可能存在柔性形变，需要利用多尺度形变模型，该模型具备直方图和支撑向量机的优势，用隐变量推理组件形变，固定模板分辨率，辨别宽高比来辨别目标。如今神经网络的发展开始替换为DeepCNN进行检测，提高了目标检测精度，建立R-CNN检测框架，R-CNN算法使用选择性搜索策略进行候选窗选择，选定深度特征，并通过SVM分类器的应用对候选窗划分，使用非极大值筛选候选窗，确定目标定位。

2.3 图像语义分割

在计算机视觉领域中，研究人员精确理解目标投向，通过语义分割满足需求，解析训练图像内容，分割工程中获得像素语义类别，并对图像内容予以标记[3]。图像语义分割需要对分割目标准确识别，精准图像语义分割能够降低后续识别数据量，保留结构化信息。常用数据库包括MicrosoftCOCO、MSRCv2以及Sift Flow等。如今深度卷积沉浸网络成功应用于图像检测分类中，在图像语义分割中使用DeepCNN，如使用多尺度卷积神经网络学习目标特征，让语义分割取得理想效果。在语义分割上FCN效果良好，但是未经过对边缘信息和空间的约束，导致分割结果十分粗糙。CRF模型对FCN输出结果的处理，可以将分割数据集的精度提高至71.6%。为了识别图像分割区域，语义分割必须要利用精准像素对数据加以标注，时间长，且数据数量有局限。按照经验，精确标注目标像素点，可以克服像素的约束，成功设置语义分割的算法。BoxSup通过检测图像进行监督，捕捉监督信号，先利用候选区进行初步结果的筛查。然后对FCN、检测框的信息进行监测。将物体点作为目标，通过设计函数监督数据，并对FCN函数约束训练。期间对关键像素赋予权值最大值，能够对各像素更准确标注。

2.4 图片标题生成

生成图片的标题是神经网络的重要业务，借助于自然语言准确描述图片，体现出图片的特征和内容，随着自然语言和深度学习的技术突破，图片标题生成逐渐在各个网站中使用。目前微软和谷歌的技术仍然处于领先地位。部分图片使用流程化方法进行图片内容的描述，向学习示例图片，对各特征部分提取形容词汇等，对应CNN特征，可以充分表述CNN特征，然后使用MELM产生标题。最后使用MERT对可能性最高的标题排序。还有一部分图片采取端对端方法，在机器翻译的启发以及支持下，通过RNN模型、CNN模型，完成图片标题以及获取图片特点，最终生成图片的对应标题。

2.5 人脸识别

人脸识别包含人脸辨识和验证两部分，辨别人脸图像正确率为50%，辨识人脸可以将人脸图像划分不同种类的身份，猜中概率为1/N。人脸的辨识难度更高，随着类别数增加而增加，最大挑战在于在不同表情、姿态、光线下的辨别。两种变化分布十分复杂，呈现出非线性。目前最为著名的测试集是LFW，通过在互联网上收集超过五千人的人脸照片，用于评估人脸验证性能[4]。经过测试集运算模拟，其准确性基本达到97.53%。而深度学习准确率可以达到99.47%。人脸识别需要在离线数据上运行，经过模型模拟，再应用于验证任务上。通过对人脸监督，捕捉人脸特点，对最小特征类识别，准确率达到99.15%。使用Triplet网络学习人脸特征，要求输入不同类图片一张、同类图片两张的图像样本，使用欧氏距离进行输入图像相似度的度量，在LFW数据集上达到了99.63%精度。

2.6 行人再识别

在监控系统中主要利用行人再识别，在可控环境中，利用虹膜和人脸等特征进行人脸识别。监控视频环境十分复杂，不可控因素较多，获得行人图像的质量差，无法准确捕捉人脸特征。因此很多研究人员通过人携带物品和衣物进行识别。但受到光线和角度的影响，并不能准确识别，误识别率较高[5]。识别行人的算法主要包括特征识别以及距离度量两种，度量距离是将行人特征分布作为学习度量，在不同行人目标中，由于不同个体之间特征距离差距显著，统一个体上特征距离差异小，能够对不同行人目标进行区分，不易受到光线等环境因素的影响。利用TripletLoss监督网络学习过程，在数据集上取得良好效果。使用局部图像块匹配方法进行局部特征的学习，提高了辨别能力。

2.7 人体动作识别

识别人体动作已经是计算机视觉研究中关注度很高的问题，通过摄像机对视频数据进行捕捉和处理，对视频中动作行为深入理解。能够在图像序列中准确找到运动信息，并提取底层特征，快速建模，形成底层视觉对应动作行为的关系。根据时序信息使用频率，识别人体动作可以通过识别时空特征以及时序推理两种。在视频序列中利用人体动作识别法提取动作特征，主要解决简单动作识别，可以分为局部特征、时空轨迹以及时空体模型等。使用卷积神经网络学习具备一定语义信息，逐渐得到广泛应用。使用三维卷积计算，于图像序列准确捕捉目标动作，从多渠道获取图像特征，并将这些特征合并为最终动作。双路卷积神经网络对于图像的识别不仅支持静态帧，也能在多帧图像上加以处理，静态帧是利用单帧信息对动作信息提取，并获取时间信息，通过捕捉特征，并经过SVM分类器识别图像动作。

3 结语

综上所述，在我国各个行业中深度卷积神经网络均得到深度应用，为各个行业的发展提供了技术上的支持。在计算机视觉应用上，通过生成标题、目标监测、人脸识别等功能实现。通过在不同领域上应用满足各个行业的需要，提高社会智能化水平。当前在数据集中应用良好，但应对互联网上大规模数据仍然较为困难，还需要不断更新和迁移，进一步研究神经网络泛化能力，才能更稳定应对互联网海量数据，满足其实际应用需要。