卷積神經(jīng)網(wǎng)絡(luò)圖像識別

在機(jī)器視覺的概念中，圖像識別是指軟件具有分辨圖片中的人物、位置、物體、動(dòng)作以及筆跡的能力。計(jì)算機(jī)可以應(yīng)用機(jī)器視覺技巧，結(jié)合人工智能以及攝像機(jī)來進(jìn)行圖像識別。

根據(jù)神經(jīng)網(wǎng)絡(luò)的構(gòu)建方式，一個(gè)相對簡單的改變就可以讓較大的圖像變得更好處理。改變的結(jié)果就是我們所見到的卷積神經(jīng)網(wǎng)絡(luò)（CNNs，ConvNets）。

神經(jīng)網(wǎng)絡(luò)的廣適性是他們的優(yōu)點(diǎn)之一，但是在處理圖像時(shí)，這個(gè)優(yōu)點(diǎn)就變成了負(fù)擔(dān)。卷積神經(jīng)網(wǎng)絡(luò)對此專門進(jìn)行了折衷：如果一個(gè)網(wǎng)絡(luò)專為處理圖像而設(shè)計(jì)，有些廣適性需要為更可行的解決方案做出讓步。

對于任意圖像，像素之間的距離與其相似性有很強(qiáng)的關(guān)系，而卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)正是利用了這一特點(diǎn)。這意味著，對于給定圖像，兩個(gè)距離較近的像素相比于距離較遠(yuǎn)的像素更為相似。然而，在普通的神經(jīng)網(wǎng)絡(luò)中，每個(gè)像素都和一個(gè)神經(jīng)元相連。在這種情況下，附加的計(jì)算負(fù)荷使得網(wǎng)絡(luò)不夠精確。

卷積神經(jīng)網(wǎng)絡(luò)通過消除大量類似的不重要的連接解決了這個(gè)問題。技術(shù)上來講，卷積神經(jīng)網(wǎng)絡(luò)通過對神經(jīng)元之間的連接根據(jù)相似性進(jìn)行過濾，使圖像處理在計(jì)算層面可控。對于給定層，卷積神經(jīng)網(wǎng)絡(luò)不是把每個(gè)輸入與每個(gè)神經(jīng)元相連，而是專門限制了連接，這樣任意神經(jīng)元只能接受來自前一層的一小部分的輸入（例如3*3或5*5）。因此，每個(gè)神經(jīng)元只需要負(fù)責(zé)處理一張圖像的一個(gè)特定部分。（順便提一下，這基本就是人腦的獨(dú)立皮質(zhì)神經(jīng)元工作的方式。每個(gè)神經(jīng)元只對完整視野的一小部分進(jìn)行響應(yīng)）。

卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢

卷積神經(jīng)網(wǎng)絡(luò)是在Hub等人對貓的視覺皮層中細(xì)胞的研究基礎(chǔ)上，通過擬生物大腦皮層構(gòu)而特殊設(shè)計(jì)的含有多隱層的人工神經(jīng)網(wǎng)絡(luò)。卷積層、池化層、激活函數(shù)是卷積神經(jīng)網(wǎng)路的要組部分。卷積神經(jīng)網(wǎng)絡(luò)通過局部感受野、權(quán)重共享和降采樣3種策略，降低了網(wǎng)絡(luò)模型的復(fù)雜度，同時(shí)對于平移、旋轉(zhuǎn)、尺度縮放等形式的變有度的不變性。因此被廣泛應(yīng)用于圖像分類、目標(biāo)識別、語音識別等領(lǐng)域一般情況下，常見的卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、激活層、池化層、全連接層和最后的輸出層構(gòu)成。

卷積神經(jīng)網(wǎng)絡(luò)采用原始圖像作為輸入， 可以有效的從大量樣本中學(xué)習(xí)到相應(yīng)地特征， 避免了復(fù)雜的特征提取過程。由于卷積神經(jīng)網(wǎng)絡(luò)（CNN） 可以直接對二維圖像進(jìn)行處理， 因此， 在圖像處理方面得到了廣泛的應(yīng)用， 并取得了較多的研究成果。該網(wǎng)絡(luò)通過簡單的非線性模型從原始圖像中提取出更加抽象的特征，并且在整個(gè)過程中只需少量的人工參與。

卷積神經(jīng)網(wǎng)絡(luò)具有局部感知和參數(shù)共享兩個(gè)特點(diǎn)，局部感知即卷積神經(jīng)網(wǎng)絡(luò)提出每個(gè)神經(jīng)元不需要感知圖像中的全部像素，只對圖像的局部像素進(jìn)行感知，然后在更高層將這些局部的信息進(jìn)行合并，從而得到圖像的全部表征信息。不同層的神經(jīng)單元采用局部連接的方式，即每一層的神經(jīng)單元只與前一層部分神經(jīng)單元相連。每個(gè)神經(jīng)單元只響應(yīng)感受野內(nèi)的區(qū)域，完全不關(guān)心感受野之外的區(qū)域。這樣的局部連接模式保證了學(xué)習(xí)到的卷積核對輸入的空間局部模式具有最強(qiáng)的響應(yīng)。權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。這種網(wǎng)絡(luò)結(jié)構(gòu)對平移、比例縮放、傾斜或者共他形式的變形具有高度不變性。而且卷積神經(jīng)網(wǎng)絡(luò)采用原始圖像作為輸入，可以有效的從大量樣本中學(xué)習(xí)到相應(yīng)地特征，避免了復(fù)雜的特征提取過程。

責(zé)任編輯：YYX