深度学习在图像处理领域的研究

ＡＣＡＤＥＭＩＣ　ＲＥＳＥＡＲＣＨ　学术研究　＞≥　深度学习在图像处理领域的研究　◆侯字昆　一、卷积神经网络简介　不同的ＧＰＵ上使用相同的数据进行训练，得到的结果直接连　接作为下一层的输入。　卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，ＣＮＮ）是一种　２．４采用了新函数的模型。按照函数的类型，其模型又可　前馈神经网络，通过权值共享等方式降低了网络的复杂性，　由此可以进行深层次的特征学习，目前ＣＮＮ的主要应用：音　频处理，图像处理、自然语言处理，检索，识别等方面。ＣＮＮ　特点是局部感受，权值共享，空间或时间采样。结构一般为　卷积层，特征采样层，最后为全连接层。　二、卷积神经网络模型　由于卷积神经网络在图像领域的优异表现。许多学者致　力于对传统的卷积神经网络改进，期望其取得良好的表现。　按照改进方式，可以将现有的模型分为：数据预处理后的模型，　将各层特征融合的模型，采用多ＧＰＵ并行结构训练的模型，　采用了新函数的模型。　２．１数据预处理后的模型。传统的ＣＮＮ数据的输入是将　整个图像的像素作为输入，这种未将图进行处理的输入，数　据混入了当量的噪声。所以有研究者对图像数据进行预处理，　以期望这种预处理过的数据能作为好的图像表征。ＳｕｐｅｒＣＮＮ　是一种用来做图像显著性检测的卷积神经网络。首先把图像　区域的具有相似特征的像素聚合成一个小区域，即对图像进　行了超像素分割；然后从这些分割后的区域提取两个特征序　列，颜色序列和颜色分布序列；将此序列作为网络的输入，　且是三个通道的输入；最后经此网络的学习得到了一个平滑　的特征图谱。　２．２将各层特征融合的模型。当图像（或特征）输入卷积　神经网络之后，开始在网络结构中进行层层映射，每一层都　是一个特征。传统卷积神经网络只将最后一层网络输出作为　整个神经网络的深度特征提取结果。Ｗａｎｇ　提出一种层间特　征融合的思想用于解决年龄分类问题。在输出特征提取结果　时，不仅仅只采样最后一层的映射输出，而是将图像在深度　网络中每一层的特征经过降维后都进行输出，将其融合，最　后得到一个融合的多层深度特征。这个融合的特征用来分类。　２－３采用多ＧＰＵ并行结构训练的模型。由于卷积神经网　络的深层结构，带来了大量的参数，若是在传统的ＣＰＵ上训　练，会耗费大量的时间。为此现在的学者采用了多ＧＰＵ并行　训练的方式。Ａｌｅｘ　Ｋｆｉｚｈｅｖｓｋｙ提出的ＩｍａｇｅＮｅｔ中采用了２－ＧＰＵ　并行结构，即第１、２、４、５卷积层都是将模型参数分为２部　分并行训练在不同的ＧＰＵ上，将若干层的模型参数进行切分，　以分为两类：采用了新的映射函数和对采用了新的误差函数　的模型。　２．４．１非线性映射函数改进。在ＣＮＮ每个映射层之后其结　果都会经过一个映射函数处理，一般采用ｓｉｇｍｏｉｄ函数或ｔａｎｈ　双曲正切函数。有研究者发现使用ＲｅＬＵ时误差函数的收敛速　度会比ｓｉｇｍｏｉｄ和ｔａｎｈ快很多，因此现在大部分的卷积神经网　络将ＲｅＬＵ函数作为映射函数。ＤＣＮＮ中将卷积神经网络用于　对韩文字体的识别，模型的最大池化层使用这种函数，公式　（２一１）是ＲｅＬＵ函数．　１厂（　）＝ｍａｘ（０，　）　（２一１）　２．４．２误差函数。对于分类问题，网络的最后往往使用　ｓｏｆｔＩｎａｘ分类层，分类层的输出与真实值之间的差距应该最小，　这样才能将网络用于训练。对网络的参数训练即是将这种误　差函数收敛，而一般使用误差平方和函数，ＤＣＮＮ而使用了一　种交叉熵作为误差函数。设有个ｃ个类ｓｏｆｉｍａｘ分类层的ｃ个　节点作为每个类的概率预测，其值为，而正确的输出应是，　第Ｎ个样本的误差函数为公式（２—２）：　Ｅ＝一∑ｄ。ｌｏｇ（ｘＮ）　（２—２）　三、总结　卷积神经网络这种深度学习模式，被越来越多的研究者　证实，提取出来的抽象特征有利于图像识别。所以研究者对　这一学习方式改进试用不同的场合，由此产生了不同的卷积　神经网络的模型。∞　参考文献　［１］Ｓｈｅｎｇｆｅｎｇ　Ｈｅ，Ｒｙｎ　ｓｏｎＷ　Ｈ　Ｌａｕ１，Ｗｅｎｘｉ　Ｌｉｕ　ＳｕｐｅｒＣＮＮ：　Ａ　Ｓｕｐｅｒｐｉｘｅｌｗｉｓｅ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｆｏｒ　Ｓａｌｉｅｎｔ　Ｏｂｊｅｃｔ　Ｄｅｔｅｃｔｉｏｎ，２０１４．　［２］Ｗａｎｇ　Ｘｉａｏｌｏｎｇ，Ｇｕｏ　Ｒ　ｕｉ，Ｋａｍｂｈａｍｅｔｔｕ　Ｃ．Ｄｅｅｐｌｙ—ｌｅａｍｅｄ　ｆｅａｔｕｒｅ　ｆｏｒ　ａｇｅ　ｅｓｔｉｍａｔｉｏｎ　２０１５　ＩＥＥＥ　Ｗｉｎｔｅｒ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｐｐｈｃａｆｏｎｓ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ（ＷＡＣＶ），Ｗａｉｋｏｌｏａ，ＨＩ，ＵＳＡ，２０１５：５３４—５４１　（校级创新项目编号：ＹＣＸｌ６５４）　（作者单位：北方民族大学）　信息系统工程Ｉ　２０１７　７　２Ｏ　１　６３