Page 161 - 基于人工智能的图像识别技术研究
P. 161
第三章 人工智能与图像识别
连接，每一个连接均有一个权重值与之相对应。在多层神经网络中，每一个像
素点都需要有一个神经元与之对应。显而易见，这种方法费时费力，如识别一段
-9
1000帧每帧1000像素×1000像素组成的视频，输入层将由10 个神经元组成，导
致计算成本过大，显然此方法并不存在实际的应用价值。
（2）卷积神经网络
为解决多层神经网络所需样本多和计算量大的问题，在中间层引入卷积层和
池化层，将其称之为卷积神经网络。卷积神经网络根据神经元间的相似性进行筛
选与过滤，使得图像计算大幅度简化。对于某个给定层，输入和神经元之间并不
是一一对应的关系，而是专门限制了连接，这样任意神经元只能接受来自前一层
的一小部分的输入（如3×3或5×5）。因此，每个神经元只需要负责处理其中某
一个特定部分，这样所需样本数量及运算资源显著降低（见图3-2）。
图 3-2 卷积神经网络
（三）计算机图像识别技术在视频通信领域的应用现状
迈入新时代后，社会文明和科技水平的发展日新月异，视频通信应用越来越
广泛，成为众多行业不可或缺的一环。现如今，在通信工程领域中，主要的研究
方向是声音、文字、图像和视频之间的结合，即所谓的现代流媒体通信，而其中
最复杂的当属数字图像通信，主要原因在于图像传输时对于数据带宽的需求非常
庞大。举个例子，目前智能电视机传输带宽必须达到100M/s以上。因此，在对于
图像信号进行输送的过程当中，必须使用编码技术压缩信息量。就目前而言，图
像识别技术在流媒体通信领域发展是非常显著的，并且也取得了一定的成果。
153
