基于深度學習的圖像特征學習和分類方法的研究及應用

◆張國棟

?

基于深度學習的圖像特征學習和分類方法的研究及應用

◆張國棟

(北京科技大學 北京 100083)

當前，在我國人工智能發展的過程當中，深度學習是研究的一個主要方向。本文嘗試從深度學習的基本內涵出發，進一步地探討圖像特征學習和分類方法相關的研究以及具體的應用。

深度學習；圖像特征學習；分類方法

0 引言

目前，在學術領域，評價人工智能的一個主要指標是其所具有的學習力系統能否隨著經驗的積累而不斷進行自身的學習能力的提升。尤其是，隨著科學技術的不斷發展，大數據時代已經到來，在為深度學習等相關人工智能技術提供巨大發展契機的同時，也為深度學習環境下的圖像特征學習和分類展開深層次的應用研究提供了新的思路。本文基于深度學習的基本內涵，探討圖像特征學習和分類方法的應用，對于促進該領域相關研究的深入和完善有著一定的現實借鑒意義。

1 深度學習內涵

深度學習，從某種角度上，可以理解為一種經驗數據的自我提升的過程。從宏觀角度來看，深度學習可以借助較為復雜的模型來處理大規模的數據分析任務。同時，通過對原始的數據產生影響，進行著更加復雜的分析。

從機器學習的角度來看，深度學習主要是一種對相關數據的表征進行學習的方法，通過對表征所體現出來的向量以及特定的形狀區域來進行綜合分析來完成相應的學習任務。深度學習可以借助監督和非監督式的方式來完成，在進行深度學習的過程中，也可以借助特征提取的來對過往的手工特征的獲取的方式進行替代。

從本質上來看，進行深度學習其主要目的是對人腦的神經網絡進行模擬，從而更好地提高人工智能水平。在進行深度學習過程當中，一般來說會主要面臨以下幾個方面的問題：例如，人腦本身就具有一定的深度，另外，在人腦進行認知的過程當中會呈現出不斷出逐層遞進的過程。同時，如果深度不夠，相關的學習效果也會受到一定的影響。從目前來看，深度學習主要應用在計算機視覺、語音識別、以及相關語言處理等諸多領域。

2 圖像特征學習的內涵與方法

在深度學習領域，圖像特征學習是當前該領域研究的主要方向。隨著整個互聯網信息的不斷發展，圖像的捕捉以及圖像的識別是深度學習當前研究的主要方向。需要強調的是，圖像學習尤其是圖像特征學習作為深度學習應用的一個主要方向，其所具有的方法主要體現在以下幾個方面：

2.1 單層特征學習方法

基于深度學習背景下，圖像特征學習過程當中，單層特征學習方法擁有較為廣闊的應用前景。該方法主要依托神經網絡模型，在此基礎上，進行多層網絡的構建。目前，在進行人工神經網絡等相關領域研究時，科學家主要是以仿生和神經網絡計算作為主要的研究主線。在仿生基礎上，主要是探討神經元能否被視為隨機變量，通過概率圖模型的構建來有效地進行相關模型及參數的分析。需要強調的是，在原有的手工特征學習中，相關的學習方法，隨著神經網絡技術發展已經不斷完善。特別是針對原有神經網絡一些不足，通過必要的訓練，可以達到理想的效果和目的。這也是當前神經網絡相關技術不斷向前發展的過程中所面臨的一個主要挑戰。

2.2 多層特征學習方法

在進行深度學習的過程當中，圖像特征學習還可以通過借助多層特征學習的方法來完成。其中主要是借助子空間學習的方式來進行完成。這一方法主要是進行降維空間中的相關數據本質進行分析，也可以理解為降維算法。傳統的降維算法，主要是進行相關投影矩陣的分析來進行相關轉換數據的獲得。通過借助“全局塊”模型的構建來實現整個構建過程當中的優化。需要強調的是，在進行這種多層學習過程當中，一方面，需要借助大量的訓練樣本；另一方面對神經網絡提出更高的要求。在進行深度學習過程當中，無論是單層特征的學習，還是多層特征的學習，其主要的目的是為實現人工智能的深化和發展。

2.3 針對最小分類誤差準則的深度學習訓練方法

為了更好地把握在深度學習背景下圖像特征的學習和分類方法，在具體的應用過程當中，應該充分借助反向傳播中的相關系統來進行激活函數以及卷積層和聚合層的使用等等。通過這種方式來有效地對深度的神經網絡進行系統的訓練。同時，還需要借助必要的幾種損失函數以及最大間隔最小分類誤差等來進行深度學習的相關訓練。通過引入多任務的深度卷積網絡，進一步地強化多任務背景下，深度學習在特征學習與分類中的提高。

3 深度學習的圖像特征分類方法應用

在進行深度學習過程當中，圖像分類主要是對整個圖像的語義內容進行宏觀層面的判定。在當前整個市場領域，圖像分類無論是在信息檢索，還是在用戶需求分析領域都擁有著較大的應用潛力。

在傳統的圖像分類中，2009年主要是通過表征圖像以及大規模的數據訓練來進行圖像分類。但是，這種圖像分類的方法，由于是在不同目標函數的指導下，通過分開訓練所得的，因此，無法進行有效的聯合。到2002年，以卷積神經網絡為代表的深度學習算法被廣泛的使用在圖像的識別中。斯坦福大學的相關研究人員，也進一步發現了卷積神經網絡所具有的優勢。在今后的深度學習基礎上，圖像的分類也將會呈現出更加專業化、多元化、科學化的發展方向。尤其是，當前我國著名的搜索引擎開發商百度，通過建立擁有更為豐富信息源的圖像數據庫，結合深度學習相關算法來進行圖像的分類和過濾，其整體的分類精確度已經達到了百分之九十以上。

在今后的深度學習不斷提升的過程當中，圖像特征學習和分類也將呈現出更加廣闊的應用空間。從當前比較熱門的無人駕駛來看，通過借助深度學習，幫助計算機相關系統來有效地了解道路交通情況，各種路標以及意外緊急情況的妥善處理等等。通過這種方式不斷地完善自我的識別檢測能力，從而更好地滿足深度學習的要求。

在進行圖像特征學習中，需要明確特征的內涵。目前，在整個學術領域，圍繞圖像特征的研究，主要是相關的手工特征以及在計算機視覺領域中所呈現出來的表觀特征為研究對象。在深度學習背景下，無論是直方圖，還是物體檢測方面都可以有效地進行特征的投影，從而取得相應的效果。例如，在機器人應用在尋路系統中，就有著重要的特征學習和分析能力的提升參數。從以上的數據任務和學習中，需要不斷地對原有的特征分析方法進行有效的深化，從而進一步地得到相關景深圖像的大小、邊緣等具體特征。

4 結語

總之，當前在整個深度學習領域，圍繞圖像特征學習以及分類方法研究已經取得了系統的成果，尤其是在單特征編碼以及深度卷積網絡方面都產生了不少的研究成果。本文從深度學習基本內涵出發，對圖像特征學習和分類方法進行系統的研究，對于促進該領域相關研究的深入和完善有著一定的現實借鑒意義。

[1]馮子勇.基于深度學習的圖像特征學習和分類方法的研究及應用[D].廣東:華南理工大學，2016.

[2]趙永威，李婷，藺博宇.基于深度學習編碼模型的圖像分類方法[J].四川大學學報(工程科學版)，2017.

[3]張洪群.一種基于深度學習的半監督遙感圖像檢索方法[J].遙感學報，2017.

[4]李琳，余勝生.基于深度學習模型的圖像質量評價方法[J].華中科技大學學報(自然科學版)，2016.

[5]倪嘉成，許悅雷，田元榮.基于深度學習的MINST手寫體字符分類研究[C].全國圖象圖形聯合學術會議，2013.