基于深度学习的图像识别算法

文/邵彦宁

1　深度学习的内容概述

所谓的深度学习，可以理解为一种人工智能、神经网络、模式识别、图形化建模、信号处理等学科的交叉领域。从概念上进行定义，深度学习是机器学习的一个子领域，是一种通过多层次非线性变换对数据进行抽象性分析的算法。同时，其也可以理解为一个以模拟数据之间复杂关系为目的，基于表征学习基础之上的机器多层次学习算法。这一算法的基本目的，就是发现一种更加有效的表示方法，并更好的进行建模，以对这些表示方法进行学习。在深度学习的高层次描述信息之中，能够落实在两个主要方面：一方面是描述模型必须要以阶段性或者多层次的非线性信息构成。另一方面，特征之中所表现出来的无监督或有监督学习，会随着深度的不断提高而变得更加抽象。可以说，深度学习是一种对分层抽象理论的有机应用，即高层的概念需要通过在低层概念的学习过程中得到。而现阶段深度学习算法在识别技术之中的应用，主要可以落实为三个方面的基本内容：

（1）现代电子芯片的处理能力大大增加，能够有机支撑通用图形处理单元的有机实现。

（2）硬件算法的成本相对降低。

（3）机器学习相关理论研究的进步以及实践经验的发展。

从结构上进行分析，可以有机的将深度学习划分为多种类型，而这些类型，大多都是在一些原始结构上的分支。并且，由于其是在相同的一个数据集之上实现的，条件以及使用范围有所差异。因此，并不能够集中对各种结构算法性能上的优劣进行评价。随着现代图像识别技术的发展，深度学习技术得到了非常广泛的应用，其对提高图像识别技术的识别率以及识别速度具有重要的积极意义。

2　基于深度学习的图像识别算法

经过上述分析，已经对深度学习的相关概念性内容有了一个比较明确的了解。深度学习算法在现代图像识别技术之中的应用，有利于提高其识别率以及识别速度，对图像识别技术在日常生活、工作、学习之中的应用具有突出的积极意义。对此，应该基于深度学习的理论基础之上，对图像识别算法进行科学的优化构建，以此切实优化图像识别技术的实用性、安全性、可靠性。

2.1　支持向量机

支持向量机理论是Vapnik在1995年基于学习理论的基础之上提出来的一种新型的机器算法。与传统的机器学习方法向比较，其具有非常突出的实际应用优势：首先，传统机器学习方法是在经验风险最小化的基础原则之上发展而来的，存在着泛化能力不足的问题。而支持向量机则具有良好的泛化处理能力，对于小样本问题的处理具有突出的优势。其次，在对高维问题进行解决的过程中，神经网络容易陷入到局部极值之中，而应用支持向量机，就能够容易的得到一个全局最优解。再次，其引入了核函数的概念，这使得算法复杂度与样本维度二者之间的关系被分化开来。而正是因为其完备的理论基础，以及其处理某些问题上的突出优势，其一度成为了进行图像识别算法研究的重点。但是，尤于其依旧是属于浅层结构，因此其对复杂函数的表示能力非常有限。对此，可以发展支持向量机与深度学习算法相结合，发展深度学习与浅层学习相配合的算法体系。以此实现图像识别算法体系的切实优化。

2.2　数据预处理

对数据进行预处理，是开展深度学习算法的落实基础。首先应该落实数据的归一化处理，这一过程，主要应该落实在数据的简单缩放、逐样本均值消减、特征标准化三个方面。其次，针对训练数据是图像的情况，应该对数据进行白化处理。通过白化处理，可以使算法输入具有两个方面的优势特征。一方面，数据之间的关联性明显降低，另一方面，所有特征之间的方差相同。现阶段，比较常用的白化方法主要有PCA以及ZCA两种。再次，为了方便训练的过程，强化训练的效率，可以对整个数据集进行分批次处理，也就是将多个样本合成一个数据模块。举例说明：假如有5000个样本，每一个样本是200维，如此，就可以把50个维度处理为一个数据模块，如此，每一个模块的大小可以记做为50×200，而这样的模块有100个，如此，就能够在极大程度上提高训练的速度，进而提升图像识别技术对图像的识别效率。

2.3　深度学习的分类方法

由于向量机理论在结构层次上依然属于浅层结构，但是，其对复杂函数的包容性非常有限。而深度学习则属于多隐含层结构，对复杂函数的包容性非常突出，进而可以进行可视化分析以及分类。首先，应用相对较大的随机值能够提高初始值的学习速度，但其会影响到最终的模型结果。对此，应该保证好初始值的权值，以此保证学习的效果。其次，将深度学习法同向量机有机结合之后，可以构建起多层次的应用于分类的模型系统，从输入开始，一直到隐含层，能够利用深度学习法进行原始数据的表征重现，进而达到类别识别的效果。

3　结束语

综上所述，深度学习法在图像识别技术之中的有机应用，能够优化其算法，实现提高识别率以及识别速度的积极效果。对此，应该积极落实深度学习在图像识别算法之中的应用，推进图像识别技术的进一步发展。