Page 113 - 基于深度学习的人工智能技术研究

第三章 深度学习理论与实践

更新、目标检测和后期处理四个过程，其中背景的建模和更新是背景差分法的算
法核心，由于现实生活中光照条件和不同的运动目标、背景的复杂情况都是不可
控制的影响地影响着检测精度。
2. 卷积神经网络

神经网络是将一个目标模式分解成多个子目标的模式，然后再逐层对目标所
提取出来的特征进行处理，并将这个过程形成模型化，使得其在目标稍微有些区
别或者有变形时也能准确地识别出来。同时，卷积神经的网络结构可以更好地理
解图像，并对图像进行提取特征和目标分类等操作，卷积神经网络在经过特征提

取后使得特征分类的权值能够共享，减少了网络的训练参数，简化了神经网络的
结构，使神经网络的适应性得到了加强。
（1）卷积层
当计算机处理图像分类的任务时，输入的图像经过卷积层后会以特征图的形

式输出，然后连接层再以特征图作为输入来完成特征图与图像中标签的某种映射
关系。首先，是要将输入的图像正则化，然后每层的每个神经元会把前一阶段的
附近的单元作为这一层的输入，换种说法就是局部感受野共享和权值共享。其次，
在任务开始时底层的神经元会抽取边缘、角点等基础的图像特征，这些图像特征

也会被之后的高层神经元使用。卷积神经网络会由卷积获得不同的特征图的不同
的特征，卷积层通常包括多个特征图的不同特征能够使得保留的图像中具有更加
丰富的特征。最后，在卷积神经网络检测输入图像中的目标时，卷积层是通过尺
寸不同且维度不同的卷积核经过运算后产生的特征图，然后在经过多层卷积层的

卷积核计算来实现对输入图像中的目标进行检测。输入图像在经过卷积神经网络
中的卷积层或者是池化层时，输入的图像就会被分割成为尺寸大小相同的小格子，
下一层每个小网格都包含了上一层的部分特征。为了降低输入图片的分辨率获得
更高的鲁棒性并且方便对特征图进行下采样操作，卷积层和池化层几乎都是交错

分布的，在经过池化层之后产生的特征图与前一卷积层产生的特征图存在一定的
关系。
（2）池化层
在目标检测算法中，一般需要对特征图降维或者融合，所以就有了卷积层后

的池化层。池化层是对卷积层输出的特征图作为输入对其进行降维操作，降低了
参数的数量和计算量，防止训练时出现过拟合的现象。池化层在卷积神经网络中

105