0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

图像识别中的深度学习

OaXG_jingzhengl 来源:未知 作者:胡薇 2018-05-25 15:59 次阅读

现阶段比较受欢迎的图像识别基础算法深度学习法,深度学习模型属于神经网络,而神经网络的历史可追溯至上世纪四十年代,曾经在八九十年代流行。神经网络试图通过模拟大脑认知的激励,解决各种机器学习的问题。1986年Rumelhart、Hinton和Williams在《自然》发表了著名的反向传播算法用于训练神经网络,直到今天仍被广泛应用。

但是后来由于种种原因,大多数学者在相当长的一段时间内放弃了神经网络,转而采用诸如支持向量机、Boosting、最近邻等分类器。这些分类器可以用具有一个或两个隐含层的神经网络模拟,因此被称作浅层机器学习模型。它们不再模拟大脑的认知机理;相反,针对不同的任务设计不同的系统,并采用不同的手工设计的特征,例如语音识别采用高斯混合模型和隐马尔可夫模型,物体识别采用SIFT特征,人脸识别采用LBP特征,行人检测采用HOG特征。

深度学习在计算机视觉领域最具影响力的突破发生在2012年,Hinton的研究小组采用深度学习赢得了ImageNet图像分类的比赛。ImageNet是当今计算机视觉领域最具影响力的比赛之一,它的训练和测试样本都来自于互联网图片,训练样本超过百万,任务是将测试样本分成1000类。自2009年,包括工业界在内的很多计算机视觉小组都参加了每年一度的比赛,各个小组的方法逐渐趋同;2012年,排名2到4位的小组都采用的传统模拟识别方法,他们准确率的差别不超过1%,而首次参赛的Hinton研究小组采用的是深度学习的方法,且准确率超出第二名10%以上。这个结果在计算机视觉领域产生了极大的震动,掀起了深度学习的热潮。

与传统模式识别相比,深度学习最大的不同在于它是从大数据中自动学习特征,而非采用手工设计的特征模型。在过去几十年模式识别的各种应用中,手工设计的特征处于统治地位,它主要依靠设计者的经验知识,很难利用大数据的优势;由于依赖手工调整参数,特征的设计中只允许出现少量参数。深度学习的优势则显而易见——大数据中可以包含成千上万的参数,用来训练深度学习的数据越多,深度学习算法的鲁棒性、泛化能力就越强。

目前,深度学习算法的训练数据普遍都是几十万、上百万级,像一些互联网行业的IT巨头们,他们的训练数据会是上千万、甚至上亿级别,这也是国外如Google、Facebook、Microsoft等,国内如百度、腾讯等IT巨头在深度学习算法的应用效果上有着一定优势的原因。但IT企业与安防企业所用的训练数据不同,IT巨头拥有的是互联网,安防企业拥有的则是安防大数据。二者图像识别技术的关注点也有不同,IT巨头的人脸识别技术是服务于他们的商业目标,比如图像检索、身份认证无人驾驶等,而安防企业主要关注的是人脸识别技术在公共安全领域的应用。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 图像识别
    +关注

    关注

    9

    文章

    520

    浏览量

    38269
  • 深度学习
    +关注

    关注

    73

    文章

    5503

    浏览量

    121136

原文标题:【技术知识】深度学习在图像识别中的应用

文章出处:【微信号:jingzhenglizixun,微信公众号:机器人博览】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    深度学习视角下的猫狗图像识别实现

    包括数据集的准备、模型构建和训练过程,并探讨了该技术在实际应用的潜在价值。 随着深度学习技术的不断发展,图像识别已经成为其中的一个重要应用领域。猫狗
    的头像 发表于 08-15 10:38 3589次阅读
    <b class='flag-5'>深度</b><b class='flag-5'>学习</b>视角下的猫狗<b class='flag-5'>图像识别</b>实现

    深度学习图像识别领域的四大方向

    图像识别技术的高价值应用就发生在你我身边,例如视频监控、自动驾驶和智能医疗等,而这些图像识别最新进展的背后推动力是深度学习深度
    的头像 发表于 12-01 08:54 3.1w次阅读
    <b class='flag-5'>深度</b><b class='flag-5'>学习</b>在<b class='flag-5'>图像识别</b>领域的四大方向

    深度学习进军太空领域——卫星实时图像识别

    图像、并根据地表特性的不同将地表分割的结果分为九大类,包括绿地,沙漠,海洋,云和外太空等。这是首次使用深度学习在太空中进行实时的图像识别
    的头像 发表于 01-23 10:23 5201次阅读

    技术 | 基于深度学习图像识别的变电站监控系统

    基于计算机网络技术以及无线通信技术和视频监控技术,研究深度学习图像识别的变电站基建安全行为监控系统。
    的头像 发表于 07-22 08:29 5376次阅读

    深度学习图像识别解释方法的概述

    。 在过去的十年深度学习(DL)算法已成为最具竞争力的图像识别算法。但是,它们默认是“黑匣子”算法,也就是说很难解释为什么它们会做出特定的预测。 为什么这会成为一个问题呢?这是因为
    的头像 发表于 02-04 16:33 4089次阅读
    <b class='flag-5'>深度</b><b class='flag-5'>学习</b><b class='flag-5'>图像识别</b>解释方法的概述

    细粒度图像识别深度学习开源工具库Hawkeye解析

      Hawkeye 是一个基于 PyTorch 的细粒度图像识别深度学习工具库,专为相关领域研究人员和工程师设计。目前,Hawkeye 包含多种代表性范式的细粒度识别方法,包括 “基于
    的头像 发表于 11-06 20:26 1075次阅读

    图像识别技术原理 深度学习图像识别应用研究

      图像识别是人工智能领域的一个重要方向。经过多年的研究,图像识别技术取得了一定的研究进展。图像识别主要包含特征提取和分类识别,而其中的特征 提取是
    发表于 07-19 10:27 2次下载

    模拟矩阵在图像识别的应用

    讯维模拟矩阵在图像识别的应用主要是通过构建一个包含多种图像数据的模拟矩阵,来训练和测试深度学习模型,从而提高
    的头像 发表于 09-04 14:17 578次阅读
    模拟矩阵在<b class='flag-5'>图像识别</b><b class='flag-5'>中</b>的应用

    如何使用Python进行图像识别的自动学习自动训练?

    如何使用Python进行图像识别的自动学习自动训练? 使用Python进行图像识别的自动学习和自动训练需要掌握一些重要的概念和技术。在本文中,我们将介绍如何使用Python
    的头像 发表于 01-12 16:06 585次阅读

    如何利用CNN实现图像识别

    卷积神经网络(CNN)是深度学习领域中一种特别适用于图像识别任务的神经网络结构。它通过模拟人类视觉系统的处理方式,利用卷积、池化等操作,自动提取图像
    的头像 发表于 07-03 16:16 1347次阅读

    图像识别技术的原理是什么

    图像识别技术是一种利用计算机视觉和机器学习技术对图像进行分析和理解的技术。它可以帮助计算机识别和理解图像
    的头像 发表于 07-16 10:46 943次阅读

    图像识别算法的优缺点有哪些

    图像识别算法可以快速地处理大量图像数据,提高工作效率。与传统的人工识别方法相比,图像识别算法可以在短时间内完成对大量图像的分析和
    的头像 发表于 07-16 11:09 1587次阅读

    图像识别算法的提升有哪些

    引言 图像识别是计算机视觉领域的核心任务之一,旨在使计算机能够自动地识别和理解图像的内容。随着计算机硬件的发展和深度
    的头像 发表于 07-16 11:12 653次阅读

    图像识别算法都有哪些方法

    传统方法和基于深度学习的方法。 传统图像识别算法 1.1 边缘检测 边缘检测是图像识别的基础,它用于检测图像
    的头像 发表于 07-16 11:14 5550次阅读

    AI大模型在图像识别的优势

    AI大模型在图像识别展现出了显著的优势,这些优势主要源于其强大的计算能力、深度学习算法以及大规模的数据处理能力。以下是对AI大模型在图像识别
    的头像 发表于 10-23 15:01 642次阅读