摘要：本文從深度學習的歷史發(fā)展進行分析，由此研究深度學習是如何促進對大量數據精準識別計算與預測準確率，從而能實現真正的圖像智能識別。

關鍵詞：深度學習;物體的識別;人臉識別;物體的檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：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：計算機的理論和技術的應用在近年來飛速發(fā)展，使得視頻、圖像處理和計算的能力得到顯著提高。當前，以深度學習為基礎的計算機視覺研究已逐步成為人工智能研究領域的重點內容。一般而言，所說的計算機視覺其實是一門研究用機器學會“看”的學科，之后緊接著進一步進行圖形處理。下文就來探討，深度學習領域的圖像識別應用。

1 深度學習的發(fā)展

深度學習在近十年來，在許多領域都取得了驚人的成功，已經成為人工智能所在領域的重大進步。例如：輔助的自然語言處理、圖像和視頻分析、語音識別等方面。我們現在所說的“深度學習”，概念屬于神經網絡。上世紀在80年代和90年代頗為盛行，這一概念的提出目的在于，通過模擬人腦的認知機制，用以解決計算機研究中的各類難題。1986年，rumehart，Hinton和Williams在《自然》雜志上發(fā)表了《神經網絡訓練的反向傳播算法》

神經網絡是含有大量參數的，在作用過程常發(fā)生“過擬合問題”，在識別準確率高的同時，測試集的效果卻差強人意。因為在當時的水平下，訓練數據集的規(guī)模都比較小，其次計算資源稀缺，達到一個較小的網絡的訓練也需要大量的時間投入。因此，和其它的模型相比，神經網絡并沒有在識別準確率上有明顯的優(yōu)勢。

許多人經常會有一個問題：深度學習和其它機器學習方法有什么區(qū)別？為什么它能在許多領域取得成功？事實上，與傳統模式識別的最大區(qū)別在于，在深度學習中所用的所有特征均是通過大數據實現自動的學習行為。手工設計在過去的數年中一直處于領先地位，依靠事先的知識是來自設計師個人靈感，很難借助大數據的影響來實現，數量非常有限。不同之處在于，大數據的自動學習特征由深度學習表示中獲得數萬個不同的數據參數。有效特征的顯現，通常通過手工設計需要5到10年的時間才可以做到，而通過深度學習可以快速的學習新型、有效的特征表示方法，以用于新的應用。

2 基于深度學習的圖像識別

在2012年，計算機視覺領域的深度學得到歷史性的突破。Hinton的團隊，憑著深度學習的算法，在“Imagenet圖像分類”比賽中獲勝。與第二至第四位使用傳統手工設計特征的其它組相比，其最大精度差異不大于1%。然而，singtondi研究組的準確率高于第二組，甚至超過10%。這一結果在學術界引起了極大的震動。

2.1深度學習在物體檢測中的作用。目標檢測比目標識別困難。由于一幅圖像包含許多屬于不同類別的對象，因此于對象的檢測需要確定每個對象在這里的具體位置和類別。2013年，Image netilsvrc大賽主辦方增加了這個目標檢測功能。在40000張來自網絡的圖片中，他們希望識別出超過200種的物體種類，贏得比賽的人在最后一次使用的是手動設計的性能，平均的精密度（map）只有大概的22.6%，而在2014，平均檢測率被深度學習提高了43.9%。RCNN首次提出了基于深度學習的目標檢測方法，并得到了廣泛的應用。

2.2人臉識別。深度學習，其在物體地識別上，第二個重點應用是人臉識別。人臉識別的強大功能不僅體現在信息安全、移動支付，在刑偵和破案中也有著重要的使用效果。姿態(tài)、光線、表情等因素，使識別人臉變得困難，是人臉識別的最大難題。和其所引起的類內地變化以及，身份不同，產生的類間地變化。這些變化是非線性分布的，并且分布非常復雜復雜，傳統手工設計地類型線性模型無法將它們精確區(qū)分。利用深度學習，新的特征由多層非線變換得出。這些新特征應該盡可能使保類間的變化被保留，多地去掉類內變化。

人臉識別包括兩個任務：人臉識別和人臉識別。確認是指判斷兩張人臉照片是否屬于同一個人，屬于兩類問題。所以隨機猜測的準確率是一半。識別就是將人臉圖像分成n類，n類由人臉的身份來定義。它被定義為一個多分類問題，具有很強的挑戰(zhàn)性。隨著類別數的增加，難度增加，隨機猜測的準確率僅為1/n，需要注意的是，這兩種任務都可以利用深度夫人模型來學習人臉的表情特征。

與圖像識別不同的是，運用深度學習的領域，還包括在視頻分類中的應用，但其應用和理論準備并不夠充分。從Image Net的訓練得出的圖像特征，可以直接被用在識別物體的任務中，同時在和圖像有關的識別任務中出現。如：圖像分類、圖像的分割、檢索和物體檢測等方面）和很多不同的圖像測試集里面，具有極其優(yōu)良的泛化性和普及性。

3 結語

毫無疑問，深度學習因已經在實踐中取得了巨大飛躍，通過大數據的訓練的深度模型，其能體現出的特性引人入勝，但是，諸多理論分析工作有待完成。如：怎么使得局部極小點得以實現？各層的不斷變換，得到了哪些對識別由好處的方面，又損失了什么關鍵信息呢？和圖像識別相關的其他具體實踐不斷推進深度學習的發(fā)展——體現在各個方面。相信在未來將取得更深遠的進步和發(fā)展。

參考文獻：

[1]王家.基于深度學習的圖像識別問題中對抗樣本的研究[J].電腦知識與技術，2019，15（28）：222-223.

[2]屈薇.基于深度學習的圖像識別算法研究[J].數字技術與應用，2019，37（09）：121-122.

[3]張琦，張榮梅，陳彬.基于深度學習的圖像識別技術研究綜述[J].河北省科學院學報，2019，36（03）：28-36.

[4]張曰花，王紅，馬廣明.基于深度學習的圖像識別研究[J].現代信息科技，2019，3（11）：111-112+114.

作者簡介：侯銳（1980.8-）女，漢，陜西寶雞人，西安石油大學碩士，西安石油大學講師，計算機應用。