Page 180 - 基于人工智能的图像识别技术研究

基于人工智能的图像识别技术研究
Research on Image Recognition Technology Based on Artificial Intelligence

上可以获得更好的基础保障，所以能有效提升图像识别的效用。

（三）联合深度学习
早些年，一些计算机视觉研究人员将深度学习模型视为黑盒子，这一观点并
不全面，因此相关研究人员就提出了联合深度学习的方法。第一，传统计算机视
觉系统与深度学习模型间存在一定的关联，所以在相关的研究运用中两者关联起

来可以构建出新的模型，而且这模型具有一定深度。第二，深度学习模型各个层
次以及视觉系统若干模块是可以一一对应的，如果现有模型和视觉系统间这种对
应关系消失了，那么有关研究人员也可以在此启发之下重新组建了新的模型。

（四）深度学习在图像识别中的应用
深度学习在各大行业或领域中运用越来越广，尤其是在图像识别中的运用较
多并推动着图像识别的发展。基于深度学习的图像识别方法在大规模图像分类中
降低了错误率，如在2014年谷歌提出的GooleNet，错误识别率为6.7%，微软研究

团队提出的PReLU-Nets，错误率为4.94%。深度学习中的卷积神经网络模型对于
手写数字以及人脸识别等具有明显的提升效果；在人脸识别、跌到检测等方面也
提高了图像识别的准确率和识别速度。

1.人脸识别
深度学习在图像识别中应用最多的就是人脸识别，而人脸识别最大的问题在
于如何把多个元素引发变化进行有效区别。引发图像识别变化因素非常多，如表

情、身份、光线等这些因素的变化，分布性质属于非线性的，而且这些变化有着
非常复杂的内在特点，因此很多时候借用传统模型无法区分。深度学习之所以会
被运用到人脸识别过程中，其目的就在于实行了多层非线性变化，所以通过这种

变化我们可以汲取新的特征，从而有效区分有不同元素所引发的变化。常用的人
脸识别数据库主要有WebFace、CelebFaces、LFW标准数据库等。
2.遥感图像分类
遥感图像包含了非常多的数据信息，这些具有价值的数据被运用于各行业。

通常而言，遥感图像数据具有两个特点，第一，因为过大的图像数据造成信息的
冗余；第二，由于较低的分辨率造成不同信息间的相互结合影响。所以对于遥感
图像分类是比较难的一项工作。传统分类方法无法把有价值的信息与无价值的信

息准确分开，如果融入深度学习技术，将其运用到遥感图像分类过程中，构建合
适的学习模型，结合特定优化计算方式，可以取得良好的分类效果。该项技术的

172