基于深度学习算法的图像识别研究_开题报告

深度学习本质上是一种复杂的，层级非常深的神经网络。其基本理论在上世纪八九十年代便已被Yuan Lecun等人提出。但在当时，由于大规模神经网络的训练极其耗时，相关硬件水平远远不能满足训练深度神经网络的巨大计算量，所以人工神经网络的发展非常缓慢，仅仅处在科研阶段。而神经网络的深度也很浅，大部分网络是仅有两个隐藏层的全连接网络。这便使得神经网络的优点无法得到发挥，以至直到本世纪初，学界的热点主要集中在SVM、Ada Boosting、随机森林分类器上。到了2012年，基于NVIDIA GPU(Graphics ProcessingUnit)的并行计算技术CUDA(Compute Unified Device Architecture)被大规模的应用于神经网络计算。GPU集群的出现，使得利用百万乃至更大级别的数据集训练规模庞大的深度神经网络，从不可能成为了可能，之后便掀起了神经网络的第二次浪潮。而今，深度学习技术在诸多领域都取得了前所未有的成就，在图像识别方面的应用便是其中之一。

图像识别是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。识别过程包括图像预处理、图像分割、特征提取和判断匹配。借助图像识别技术，我们不仅可以通过图片搜索更快的获取信息，还可以产生一种新的与外部世界的交互方式，甚至可以让外部世界更加智能地运行。

（一）国内研究现状

国内，研究水平较国外要稍微落后一些，但近些年来，因国家及各大学都比较重视，所以取得的成绩也很不俗。研究主要以大学及企业为主，如清华大学、北京大学、南京大学、浙江大学、上海交通大学，中国科学技术大学。企业则以BAT(百度，阿里巴巴，腾讯)为首，还有一众国内高校人才创立的新公司，如旷视科技等企业。所涉及到的领域包括金融、娱乐、自动驾驶、医疗等多方面。像淘宝、百度上已推出的以图片进行索引，以图搜图，搜相关及类似的商品。阿里巴巴正在着力研发的人体识别，技术成熟后，可实现远程实体量人体尺寸，以更好地实现阿里帝国的购物体验。腾讯的QQ上已推出的将图片上的文字转换为可编辑的文字。还有锤子科技推出的“Big Bang”，刚推出时也引起不少轰动。 百度在大举推进的无人驾驶中的相当一部分也由图像识别技术撑起(尽管目前还不尽如人意)。目前正在兴趣的人脸识别技术在移动支付方面的应用，也正一点一点改变着这个世界；当然还有其它需要身份验证的场景，尽管当下此项技术并不成熟，也存在比较大的固有风险与争议。一些手机制造商在手机中添加一些模拟人脸实时的表情娱乐动画(当然，最先推出此项功能的为苹果公司的IPhone X机型)。发展势头相当不俗的旷视科技推出的一系列关于图像识别技术的应用，还专门成立了VisionHacker游戏工作室，借助图形识别技术研发移动端的体感游戏。当然也有人脸识别，文字识别等方面的关于图像处理技术的应用。当然还有华为和小米也在跟进图像识别技术在相关产品上的应用开发工作。以HTC为代表的中国方面的公司在虚拟现实方面的研究。

在智能医疗上，也在大举推进图像识别技术的相关应用。因为该项技术可帮助医生对病变组织进行定性及定量的分析，从而提高医生诊断的准确性和科学性，从而在此基础上进行诸如病理学、病变组织的三维重建等一系列的后续研究工作。

国内有人工智能方面的研究正在一步步逼近以美国为代表的尖端水平，当然其实也包括图像识别方面的技术。另外，中国的一些企业，像BAT、华为、联想、小米等国内科技公司也在密切关注除美国以外的，在人工智能领域非常有建树的以色列。

•••••

（二）国外研究现状

国外研究水平较高于国内(主要是美国)，因人工智能所有相关的理论都起源于国外，美国的一些知名大学很早就对这方面的技术产生了兴趣。卡内基梅隆大学(Carnegie Mellon University)、麻省理工大学(Massachusetts Institute of Technology)、斯坦福大学(Stanford University)、加州大学伯克利分校(University of California-Berkeley)、伊利诺伊大学厄巴纳-香槟分校(University of Illinois Urbana-Champaign )等著名高校。企业则是以苹果(Apple)、谷歌(Google)、特斯拉(Tesla)等众多大小企业。去年(2017年)刚上市的IPhone X上已经实现了人脸识别解锁，尽管苹果相关负责人在发布会上花了不少时间去说明他们的技术有多靠谱，但还是有不少人在担心该技术在解锁上的应用(在发布会上相关负责人也指出了“双胞胎”的问题)。同时在该机型上推出的模拟人面部表情而来的娱乐动画表情。其次就是谷歌了，其在图像识别方面取得的成绩是举世共睹：无人驾驶、以图片检索相关信息。其借助DistBelief训练的大型分布式神经网络，对于街景力度的上千万门牌号的识别率超过90%.特斯拉也正在大举推进自动驾驶技术，这里面也必有图像识别技术的用武之地。还有微软的的虚拟现实技术，研发的产品为HoloLens，Fackbook也在大举发力相关领域的研发，还推出了Lumos平台。

还有以色列方面在图像识别、机器视觉、无人驾驶等方面的研究也表现不俗，所以才有后来Intel以150亿美元收购了一家专注于计算机视觉算法和驾驶辅助系统的芯片技术研究公司，Mobileye。Trax公司也开发出了独特的图像识别平台，可对图片进行实时动态分析。该技术第个月可识别800多万张图像，确保为40多个国家的消费器公司与零售商提供最精准、最智能化、数据分析水平和推荐内容最佳的服务。当然，其余表现好一点的公司也都被美国这些大公司所收购，并入欧美技术版块当中。

国外应用图像处理技术进行DNA倍体分析，能较好地反映病理图像与DNA量的关系，发现的结果与流式细胞仪测定的结果非常接近，所以图像识别技术慢慢在医学中盛行。图像识别既可用于病理诊断，也可用于基础研究。经图像识别处理的病理诊断可提高诊断质量，而免疫组化作为常规病理方法很难判断的肿瘤的性质分期的辅助方法，对于诊断结果非常重要。

••••••

二、^范文提纲

1   绪论

1.1  课题研究背景及意义

1.2  国内外在该方向的研究现状

1.3  图像识别概述

2  深度学习

2.1 深度学习算法概览

2.2 深度学习算法常用方法

2.3 深度学习算法当前研究现状及意义

3 基于卷积神经网络的图像识别

3.1 数据集构建

3.2 卷积神经网络架构

3.3 常用激活函数

4  深度学习结合SVM的图像识别

4.1 支持向量机

4.2 数据预处理

4.3 深度学习结合支持向量机的分类方法

5  改进的CDBN在图像识别上的应用

5.1 无监督训练

5.2 无监督与有监督交替的基本思想

5.3 基于改进的深度网络的图像识别

6 总结和展望

6.1 课题总结

6.2 课题展望

三、参考文献

[1] 章毓晋.图像处理和分析基础[M].北京:高等教育出版社,2002.

[2] 杨小冬,宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报,2004,40(4):424-431.

[3] 余凯,贾磊,陈雨强,等.深度学习的昨天,今天和明天[J].计算机发展与研究,2013,50(9):1799-1804.

[4] 孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29(8):2806-2810.

[5] 刘建伟,刘媛,罗雄麟.深度学习研究进展[J].计算机应用研究,2014,31(7):1921-1930.

[6] (英)Nixon M.S,Aguado A.S著.特征提取与图像处理(第二版).李实英,杨高波译[M].北京:电子工业出版社,2010.313-319.

[7] 张燕平,张铃等.机器学习理论与算法[M].北京:科学出版社,2012.18-55.

[8] 杨钊.面向图像分类和识别的视觉特征表达与学习的研究[D].华南理工大学,2014.

[9]  Dong Y,Li D.Deep Learning and Its Applications to Signal and Information Processing.Signal Processing Magazine,IEEE,2011.28(1):145-154.

[10] 10 Breakthrough Technologies 2013[N].MIT Technology Review,2013-04-23.

[11] Ciresan D,Meier U,Schmidhuber J.Multi-column deep neural networks for image classification[C]//Computer Vision and Pattern Recognition(CVPR),2012 IEEE Conference on.IEEE,2012:3642-3649.

[12] Hinton G,Deng L,Yu D,et al.Deep neural networks for acoustic modeling in speech recognition:The shared views of four research groups[J].Signal Processing Magazine,IEEE,2012,29(6):82-97.

[13] Hinton G E.Deep belief networks[J].Scholarpedia,2009,4(5):5947.

[14] Hierarchical neural networks for image interpretation[M].Springer Science & Business Media,2003.

[15] Krizhevshy A,Hinton G. Learning multiple layers of features from tiny images[J].Computer Science Department,University of Toronto,Tech.Rep,2009,1(4):7.

[16] Bengio Y.Learning deep architectures for AI[J].Foundations and trends in Machine Learning,2009,2(1):1-127.