王巖 姬一波

【摘要】? ? 近年來，社會(huì)經(jīng)濟(jì)快速發(fā)展的同時(shí)，計(jì)算機(jī)信息技術(shù)更新的速度不斷加快，逐漸滲透到各個(gè)領(lǐng)域當(dāng)中，為人們帶了極大的便捷。互聯(lián)網(wǎng)的普及也使得信息量呈爆炸式增長，卷神經(jīng)網(wǎng)絡(luò)能夠大幅度提升圖像的識(shí)別率，從而更加高效的挖掘圖片信息數(shù)據(jù)，人工智能技術(shù)越來越成熟，深度學(xué)習(xí)也備受人們的高度關(guān)注。傳統(tǒng)圖像識(shí)別技術(shù)相對(duì)落后，且識(shí)別率低，面對(duì)海量的圖像信息數(shù)據(jù)，傳統(tǒng)識(shí)別方式顯然已經(jīng)無法滿足當(dāng)前的實(shí)際需求。

【關(guān)鍵詞】? ? 卷積神經(jīng)網(wǎng)絡(luò)? ? 圖像識(shí)別? ? 算法? ? 邏輯回歸

引言：

卷積神經(jīng)網(wǎng)絡(luò)是一種基于人工神經(jīng)網(wǎng)絡(luò)，并將深度學(xué)習(xí)理論融入其中，從而探索出的一種新型識(shí)別算法，這也是目前圖像識(shí)別領(lǐng)域發(fā)展過程中的重點(diǎn)研究方向。自上世紀(jì)九十年代末以來，CNN識(shí)別技術(shù)便步入了高速發(fā)展階段，且逐漸趨于穩(wěn)定，但是該網(wǎng)絡(luò)技術(shù)結(jié)構(gòu)存在一定局限性，在對(duì)自然圖像進(jìn)行識(shí)別過程中，整體效率與速度依然存在不足之處，無法達(dá)到理想化的程度。為了有效改進(jìn)與優(yōu)化CNN在自然圖像識(shí)別過程中的整體效果，文章通過對(duì)當(dāng)前CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了深入分析，并進(jìn)一步提出了自然圖像識(shí)別的卷神經(jīng)網(wǎng)絡(luò)算法，從而逐步實(shí)現(xiàn)CNN識(shí)別算法可在短期時(shí)間之內(nèi)進(jìn)行快速收斂，從而達(dá)到理想的識(shí)別效果。

一、圖像識(shí)別與卷神經(jīng)網(wǎng)絡(luò)簡述

1.1圖像識(shí)別算法

1.1.1貝葉斯分類法

該方法是統(tǒng)計(jì)學(xué)中的一種，以統(tǒng)計(jì)學(xué)為基礎(chǔ)，并采用葉貝斯定理對(duì)其進(jìn)一步分類，這樣的分類方法可以將分類問題逐漸轉(zhuǎn)化為概率的形式進(jìn)行表達(dá)，并且概率為已知，對(duì)圖像特征進(jìn)行提取分類，通過貝葉斯定理公式計(jì)算驗(yàn)證，之后將圖像進(jìn)行分類，公式如下：

從以上公式當(dāng)中我們能夠看到，P（B）能夠表明B條件下的概率，P（AB）指的是相同條件下實(shí)現(xiàn)概率，P（A/B）指的是B條件發(fā)生后，A件的發(fā)生概率。該方法有一定的缺點(diǎn)，并非每個(gè)圖像都可有效提取具有一定代表性的特點(diǎn)，當(dāng)出現(xiàn)該情況時(shí)，采用該方法進(jìn)行圖像分類，會(huì)造成圖像分類出現(xiàn)非常大的誤差[1]。

1.1.2模板匹配法

從名字當(dāng)中便能夠看的出來，其是由根據(jù)模板在目標(biāo)圖像當(dāng)中對(duì)其進(jìn)行匹配，這樣的方法也被廣泛應(yīng)用于圖像處理過程中。具體的過程為，先制定模板，之后再針對(duì)目標(biāo)圖像以及對(duì)應(yīng)模式，匹配和模板大致相似的圖像，比較相似的部分還包含圖像的方向與大小，再經(jīng)過匹配之后，便能夠確定圖像的具體位置。這樣的方法也存在缺點(diǎn)和不足，需要結(jié)合圖像設(shè)計(jì)類似的模板，因此對(duì)設(shè)計(jì)者的研究經(jīng)驗(yàn)要求較高[2]。

1.2卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)屬于人工神經(jīng)網(wǎng)絡(luò)，對(duì)映射特征圖和卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中的卷積核進(jìn)行計(jì)算，并采用函數(shù)計(jì)算，一般經(jīng)常使用的是雙曲正切函數(shù)。卷積層獲取圖像特征，從不同局域獲取單元節(jié)點(diǎn)數(shù)據(jù)，需要覆蓋整個(gè)數(shù)據(jù)集，如果是相同的圖像，使用卷積核時(shí)是不同的，輸入圖像不同，應(yīng)當(dāng)采用相同卷積核，這便是權(quán)值共享。在池化層當(dāng)中，為降低平面圖大小，可取映射平面圖中的矩形區(qū)域最大值，這樣可有效降低平面圖大小，并且維持空間不發(fā)生變形，避免發(fā)生過度擬合的情況。如映射層面特征圖大小為8**，在經(jīng)過池化后，便會(huì)得到4*4大小的特征圖[3]。

二、基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法設(shè)計(jì)

2.1 Mapreduce編程結(jié)構(gòu)模型

Mapreduce是一種并行編程模型，主要應(yīng)用于大型計(jì)算機(jī)集群工作中，可對(duì)TB、PB數(shù)據(jù)集進(jìn)行有效處理，編程模型具有包容性強(qiáng)、操作簡單以及整體擴(kuò)展能力強(qiáng)等諸多優(yōu)勢(shì)和特征，被廣泛應(yīng)用于計(jì)算機(jī)科學(xué)領(lǐng)域當(dāng)中，Mapreduce編程結(jié)構(gòu)是一種樹狀圖結(jié)構(gòu)，采用主節(jié)點(diǎn)對(duì)大數(shù)據(jù)集操作模塊進(jìn)行管理，主節(jié)點(diǎn)之后再將任務(wù)分發(fā)到不同分界點(diǎn)，由分節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行處理后匯總到主節(jié)點(diǎn)。Mapreduce整個(gè)處理過程中主要是由Map函數(shù)與Reduce函數(shù)兩個(gè)部分共同組成，兩個(gè)函數(shù)的具體處理任務(wù)也有很大不同，Map函數(shù)是對(duì)需要進(jìn)行處理的任務(wù)進(jìn)行分解為多個(gè)模塊，Ruduce函數(shù)是對(duì)完成處理之后的模塊匯總。流程如下圖1所示。

2.2基于Mapreduce的CNN算法設(shè)計(jì)

該算法是對(duì)所訓(xùn)練數(shù)據(jù)進(jìn)行分類，分為大致相同的小部分，和Hadoop平臺(tái)中的節(jié)點(diǎn)對(duì)應(yīng)，并且通過平均分布的方式進(jìn)行有效存儲(chǔ)，通過不同節(jié)點(diǎn)儲(chǔ)存CNN網(wǎng)絡(luò)數(shù)據(jù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練過程，Mapper任務(wù)接受數(shù)據(jù)，可作用在不同節(jié)點(diǎn)，并利用正向和方向傳播，計(jì)算權(quán)值和偏置的變化量，并形成中間鍵數(shù)值，完成樣本計(jì)算后，對(duì)本地文件進(jìn)行處理，本地文件進(jìn)行匯總處理之后，各次訓(xùn)練獲取到的數(shù)據(jù)再寫進(jìn)全局文件當(dāng)中[4]。

2.3 CUDA技術(shù)及平臺(tái)分析

CUDA編程模型屬于一種能夠支持GPU處理計(jì)算的數(shù)據(jù)開發(fā)利用環(huán)境，其由NVIDIA公司提出，GPU是一種圖像處理器，GPU的發(fā)展及應(yīng)用大幅度提升了計(jì)算機(jī)圖形的處理效率與質(zhì)量，且對(duì)計(jì)算機(jī)圖像仿真、虛擬現(xiàn)實(shí)環(huán)境以及圖像處理技術(shù)等領(lǐng)域的發(fā)展具有重要的促進(jìn)作用。CUDA和GPU之間的有效結(jié)合，使得編程人員在CUDA平臺(tái)上可采用一般通用化的匯編語言C語言進(jìn)行匯編，之后再采用GPU完成匯編程序整個(gè)運(yùn)行過程，這樣便不需要單獨(dú)的去學(xué)習(xí)圖像知識(shí)，從而有效降低GPU數(shù)據(jù)計(jì)算的難度，使其更加簡化，從而大幅度提升了系統(tǒng)的整體穩(wěn)定性。CUDA平臺(tái)下的數(shù)據(jù)處理結(jié)構(gòu)由CPU與GPU兩者共同組成，GPU+CPU結(jié)構(gòu)可有效提升計(jì)算機(jī)性能，同時(shí)也能夠節(jié)約能源。[5]

2.4多區(qū)域邏輯回歸計(jì)算的網(wǎng)絡(luò)具體改進(jìn)方法

圖像識(shí)別過程中，為了不斷提升實(shí)際訓(xùn)練過程及速度，是需要針對(duì)圖像實(shí)際情況，對(duì)其進(jìn)行預(yù)處理的，這樣也能夠有效去除圖像當(dāng)中過多的干擾信息數(shù)據(jù)，之后再對(duì)處理之后的圖像進(jìn)行劃分以及識(shí)別，文章將其主要?jiǎng)澐譃?個(gè)區(qū)域，即四個(gè)角區(qū)域與中心區(qū)域，在測(cè)試識(shí)別過程中，只對(duì)中間區(qū)域進(jìn)行測(cè)試。

三、圖像識(shí)別結(jié)果分析

3.1結(jié)果

通過系統(tǒng)的篩選以及訓(xùn)練整個(gè)過程，輸入系統(tǒng)當(dāng)中的數(shù)據(jù)集主要分為兩類結(jié)果：系統(tǒng)預(yù)測(cè)分類和期望值符合情況下，系統(tǒng)會(huì)顯示分類正確，系統(tǒng)預(yù)測(cè)分類各期望值不相符情況下，系統(tǒng)會(huì)顯示分類錯(cuò)誤的情況，采用通用數(shù)據(jù)集輸入接口方式，這樣可對(duì)數(shù)據(jù)集進(jìn)行合理有效分類。

3.2不同區(qū)域測(cè)試對(duì)識(shí)別結(jié)果產(chǎn)生的影響

這里主要采用的是COFAR10數(shù)據(jù)集測(cè)試，系統(tǒng)會(huì)針對(duì)每個(gè)具體測(cè)試結(jié)果以及錯(cuò)誤率進(jìn)行合理保存，并采用Python腳本查看錯(cuò)誤率的整個(gè)變化狀況，每個(gè)epoch為128個(gè)樣本。對(duì)參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行調(diào)整，在未采用邏輯回歸計(jì)算時(shí)，系統(tǒng)分類錯(cuò)誤率為18%，采用邏輯回歸后，系統(tǒng)分類錯(cuò)誤率為13.4%，準(zhǔn)確率大幅度提升。原始圖像處理過程中，圖像未經(jīng)裁剪，但在MR-CNN-G使用過程中，圖像是經(jīng)過裁剪的，訓(xùn)練過程中，前者所用時(shí)間更少，在測(cè)試環(huán)節(jié)當(dāng)中，時(shí)間明顯增加了。

四、結(jié)束語

近年來，隨著互聯(lián)網(wǎng)計(jì)算機(jī)技術(shù)的快速發(fā)展與普及，已經(jīng)逐漸滲透進(jìn)人們生活中的方方面面，為人們帶來了極大的便捷，圖像識(shí)別算法作為一項(xiàng)新型的技術(shù)，經(jīng)過長期的發(fā)展，CNN算法也取得了顯著的成果，通過對(duì)其進(jìn)行優(yōu)化改進(jìn)之后，運(yùn)用到圖像識(shí)別過程中，這樣也極大的提升了圖像識(shí)別的實(shí)際準(zhǔn)確率，并且在整個(gè)提升過程當(dāng)中，數(shù)據(jù)處理效果明顯增加，但是就目前現(xiàn)狀來看，依然存在諸多問題，如圖像處理過程復(fù)雜化，預(yù)處理時(shí)間也比較長，在對(duì)GPU引入過程中，因?yàn)閿?shù)據(jù)接口不通用，因此，需要選擇及輸入相關(guān)數(shù)據(jù)集。

參? 考? 文? 獻(xiàn)

[1]張榮磊， 田愛奎， 譚浩，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[J]. 山東理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 032（001）：48-50.

[2]田壯壯， 占榮輝， 胡杰民，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別研究[J]. 雷達(dá)學(xué)報(bào)， 2016， 5（3）33-34

[3]杜蘭， 劉彬， 王燕，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測(cè)算法[J]. 電子與信息學(xué)報(bào)， 2016（12）.22-23

[4]許振雷， 楊瑞， 王鑫春，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究[J]. 電腦知識(shí)與技術(shù)， 2016， 12（010）：194-196.

[5]李志明. 基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜活體檢測(cè)算法研究[J]. 計(jì)算機(jī)工程， 2016， 42（005）：239-243，248.