2023年7月26日发(作者：)

ISSN1009-3044ComputerKnowledgeandTechnology第15卷第33期(2019年11月)电脑知识与技术Vol.15,No.33,November.2019E-mail：eduf@uterKnowledgeandTechnology电脑知识与技术http：//：+86-551-6569深度学习在图像识别中的应用夏长林(河南科技职业大学，河南周口466000)摘要：随着我国高新技术的快速发展，人工智能领域也得到推动，而图像识别是人工智能领域的一个重要课题，其主要包括分类识别和特征提取两大模块；同时深度学习作为人工智能的重要研究方向，近年来取得了突飞猛进的发展，它广泛应用在图像识别、语音识别等众多领域并获得了巨大成功。该文就深度学习在图像识别中的应用进行深入分析，主要从人脸识别、遥感图像分类等诸多方面进行阐述，其目的是为相关从业人员提供帮助，以此来推动人工智能发展大潮中图像识别领域的发展。关键词：深度学习；图像识别；应用中图分类号：TP3文献标识码：A开放科学(资源服务)标识码(OSID)：文章编号：1009-3044(2019)33-0185-02所谓深度学习主要是指通过构建深层级别的神经网络来模拟人脑进行分析，或者是模拟人脑进行学习以及解释相关数据信息。而图像识别是指通过对图像进行处理、分析及理解，进而实现识别各种不同模式的目标和对象的目的。如今深度学习已经被广泛应用于图像识别领域中，同时也获得了令人瞩目的成绩和效果。为此笔者在本文中就深度学习的概念以及结构优势进行探讨，同时也对深度学习在图像识别中的应用做出研究，希望可以为某些从业人员提供借鉴和参考依据。由于深度学习从大数据自主学习可以获得良好的特征，因而可以起到提高图像识别系统性能的作用。3联合深度学习早些年，一些计算机视觉研究人员将深度学习模型视为黑盒子，显然这是不全面的观点和看法。为此，相关研究人员提出了联合深度学习的概念[3]。首先，传统的计算机视觉系统和深度学习模型之间往往存在关联性，因此相关研究者利用二者的关联性可以进一步构建出新的深度模型。其次，深度学习模型中的各个层与视觉系统中的若干模块之间也是可以建立对应关系的，倘若现有的深度学习模型与视觉系统之间存在这种对应的缺失，则相关研究者可以在此启发下构建新的深度模型。1深度学习的概述深度学习实质上是一种机器学习的过程，也是人工智能领域中一个新的研究方向。深度学习的最终目的是学习样本的内在规律和表示层次，通过对所获得的文字、声音、图像等数据信息进行解释，可以实现机器能够像人一样具有分析学习能力，从而使机器可以对文字、声音、图像等数据信息进行识别。同时深度学习还是一个相对复杂的机器学习算法，其已经超过了先前的相关技术，尤其是在语音和图像识别等领域已经取得了不错的效果[1]。将深度学习应用于图像识别领域，可以有效解决很多复杂模式识别的难题，可以说深度学习有力推动了图像识别技术的快速发展和进步。4深度学习在图像识别中的应用(1)人脸识别深度学习在图像识别中应用最多的就是人脸识别，而人脸识别最大的挑战是如何将诸多因素引发的变化区分开来。能够引发图像识别变化的因素有很多，比如，光线、表情、身份等诸多因素，由这些因素产生的变化在分布的性质上往往属于非线性，同时这些变化也存在着极为复杂且多变的特征，所以很[4]多时候借助传统线性模型难以将其区分开来。而深度学习之所以被广泛应用于人脸识别，其最终目的就是为了实现多层非线性的变换，因为通过多层的非线性变换就能获取新的特征，进而有效区分由诸多因素引起的相关变化。(2)遥感图像分类遥感图像中包含着大量的数据信息，这些具有价值意义的数据被广泛应用于各行各业。遥感图像数据具有两大特征，一是由过于庞大的图像数据所导致的信息冗余，二是由较低的图像分辨率所导致的不同信息间的相互融合。因此，对遥感图像分类较为困难，传统的遥感图像分类方法难以将有价值的信息2深度学习的深层结构优势深度学习的概念其实是来源于人工智能神经网络方面的研究，它在图像识别系统中的应用十分广泛，它属于一种包含多层感知器的结构，这也是它最大的优势。相关研究表明，如果针对特定任务的模型深度不够，就会增加所需要的计算单元，因而也就需要更多的参数和训练样本。此外，深度学习是基于大数据的自主学习过程，并不是通过手工设计来获得相关数据，即是通过组合低层来获得更加直观的表示方式，从而实现机器能够代替人类学习，其最终的目的是实现模拟人脑来进行一系列的学习活动，相当于机器模仿人类的一切学习活动[2]。收稿日期：2019-08-09作者简介：夏长林(1985—)，男，河南周口人，讲师，研究方向为物联网、深度学习。本栏目责任编辑：唐一东人工智能及识别技术185