读“深度学习在图像处理领域中的应用综述”有感

摘要
随着大数据时代的到来，一系列深度学习网络结构已在图像处理领域展现出巨大的优势，为了能够及时跟踪深度学习在图像领域的最新发展，本文章针对深度学习在图像处理领域的相关研究进行综述。

关键词： 深度学习；卷积神经网络；算法模型；图像处理

前言
在当今飞速发展的信息时代，数字图像作为一种常见且有效的信息载体已渗透到社会生活的每一个角落，致使我们对图像处理的需求也日益增长。

卷积神经网络架构
图像识别是深度学习最早尝试的领域，其中卷积神经网络发挥了巨大的作用。一般卷积神经网络由卷积层，池化层，全连接层这三种类型的层堆叠组成，每个层都有其独有的特点和作用：

卷积层：提取特征，输入特征图 X 与 K 个二位滤波
器进行卷积运算输出 K 个二维特征图。采用卷积运算有两点好处：（1）卷积操作可以提取相邻像素之间的局部关系；（2）卷积操作对图像上的平移、旋转和尺度等变换具有一定的鲁棒性。
池化层：处理卷积层输出的结果，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；另一方面精简特征图，提取主要特征，降低特征表达维度的同时，也对平移和扭曲等较小形变具有鲁棒性。
全连接层：连接所有特征，将输出值送给分类器

基于神经网络的优化方法
随着神经网络模型层数越来越深，训练数据集越来越大，模型结构越来越复杂，网络训练往往会遇到过拟合、梯度消失或爆炸等问题。本节介绍几种优化神经网络的方法：
1.Dropout：Hinton 等人提出“Dropout”优化技术，旨在深度学习网络的训练过程中，对神经网络单元按照一定的概率将其暂时从网络中丢弃。注意是暂时，所以在使用随机梯度下降方法训练网络时，每一个小批量数据都在训练不同的网络。Dropout 方法破坏了节点之间的相关性，使得网络能学到更有泛化性的特征，有效防止过拟合。
2. 批量标准化：BN 算法由 Google 在 2015 年提出，用
来训练深层次神经网络。BN 算法可以用来规范化某些层或者所有层的输入，从而固定每一层输入信号的均值与方差，有效防止梯度爆炸或消失问题。

图像识别
深度学习技术最先是被应用到图像识别方向，并取得了引人瞩目的效果。Alex 等人[1]提出的 AlexNet 网络是第一个用于图像识别的深层卷积神经网络，后续一系列图像识别方面的深度学习发展都是以此为基础，相比于传统的CNN 结构，AlexNet 网络变得更深更宽，该网络由 5 个卷积层和 3 个全连接层依次叠加组成。AlexNet 网络确立了深度学习（深度卷积网络）在图像识别的统治地位，也定义了深度学习模型在图像处理领域的一般性主体架构前馈卷积神经网络：卷积层与池化层多样化相互堆叠作为特征提取器，随后连接多层全连接层，作为分类器，信息流方向固定而单一。接下来本文将从深度学习在图像识别方向的主体架构的局部修改和主体变化两方面论述深度学习的发展。

图像取证
图像的完整周期包含三个部分：图像获取、图像编码、图像编辑。图像取证的出发点是通过提取图像在上述三周期中留下的固有痕迹（指纹特性）来分析和理解图像的操作历史。

将会被提出，简化图像取证的流程。
图像检测
图像检测相比于图像识别，不仅要识别出图片中的物体，还要定位物体处于图片中什么位置。

存在的问题与研究展望
深度学习在图像领域主要以卷积神经网络研究为主，但卷积运算注定整个网络将会有很大的计算量，导致网络训练花费时间非常长，改变卷积运算形式简化计算复杂度也将会成为一大发展方向。因此这方面还是很值得我们去深究，去往这方面发展。

［参考文献］
1.殷琪林,王金伟.深度学习在图像处理领域中的应用综述[J].高教学刊,2018: 72-74.

读“深度学习在图像处理领域中的应用综述”有感相关推荐

深度学习视觉领域中的attention机制的汇总解读（self-attention、交叉self-attention、ISSA、通道注意、空间注意、位置注意、Efficient Attention等）
self-attention来自nlp的研究中,在深度学习视觉领域有不少新的attention版本,为了解各种attention机制.博主汇集了6篇视觉领域中attention相关的论文,分别涉及DA ...
读“基于深度学习的图像风格迁移研究综述”有感
前言关于传统非参数的图像风格迁移方法和现如今基于深度学习的图像风格迁移方法. 基于深度学习的图像风格迁移方法:基于图像迭代和模型迭代的两种方法的优缺点. 基于深度学习的图像风格迁移方法的存在问题及其 ...
寻找下一款Prisma APP：深度学习在图像处理中的应用探讨
在9月23日到9月24日的MDCC 2016年中国移动者开发大会"人工智能与机器人"专场中,阿里云技术专家周昌进行了题为<寻找下一款Prisma APP:深度学习在图像处理中 ...
AI：人工智能领域之AI基础概念术语之机器学习、深度学习、数据挖掘中常见关键词、参数等5000多个单词中英文对照(绝对干货)
AI:人工智能领域之AI基础概念术语之机器学习.深度学习.数据挖掘中常见关键词.参数等5000多个单词中英文对照(绝对干货) 导读本博主基本收集了网上所有有关于ML.DL的中文解释词汇,机 ...
微信高级研究员解析深度学习在NLP中的发展和应用 | 公开课笔记
作者 | 张金超(微信模式识别中心的高级研究员) 整理 | Just 出品 | 人工智能头条(公众号ID:AI_Thinker) 近年来,深度学习方法极大的推动了自然语言处理领域的发展.几乎在所有的 ...
【深度学习】一文看尽深度学习各领域最新突破
来源:<产业智能官> 想要了解深度学习各领域的最新进展? 看个视频就足矣. 该课程的PPT资料,下载地址如下: https://www.dropbox.com/s/v3rq3895r05x ...
第六章深度学习（上中）
其他的深度学习模型在整本书中,我们聚焦在解决 MNIST 数字分类问题上.这一"下金蛋的"问题让我们深入理解了一些强大的想法:随机梯度下降,BP,卷积网络,正规化等等.但是该问题 ...
【深度学习】煮酒论英雄：深度学习CV领域最瞩目的top成果总结
前言如果06年Hinton的深度置信网络是深度学习时代的开启,12年的Alexnet在ImageNet上的独孤求败是深度学习时代的爆发,那么至今也有近15年的发展历程.15年足够让一个青涩懵懂的少年 ...
MIT最新课程：一文看尽深度学习各领域最新突破(附视频、PPT)
想要了解深度学习各领域的最新进展? 看个视频就足矣. 本文所介绍的内容是MIT系列课程之一,是有关深度学习最新进展的讲座.可以说,该课程的内容定义了这个领域的最前沿的技术. 课程提纲: BERT和自然 ...

读“深度学习在图像处理领域中的应用综述”有感

读“深度学习在图像处理领域中的应用综述”有感相关推荐

最新文章

热门文章