圖像識別是非常有趣和具有挑戰(zhàn)性的研究領(lǐng)域。本文闡述了卷積神經(jīng)網(wǎng)絡(luò)用于圖像識別的概念、應(yīng)用和技術(shù)。

什么是圖像識別，為什么要使用它？

在機(jī)器視覺領(lǐng)域，圖像識別是指軟件識別人物、場景、物體、動作和圖像寫入的能力。為了實(shí)現(xiàn)圖像識別，計(jì)算機(jī)可以結(jié)合人工智能軟件和攝像機(jī)使用機(jī)器視覺技術(shù)。

雖然人類和動物的大腦很容易識別物體，但計(jì)算機(jī)在相同的任務(wù)中卻遇到了困難。當(dāng)我們看著像樹木、汽車或朋友的東西時，我們通常不需要有意識地去學(xué)習(xí)后才能判斷它是什么。然而，對于計(jì)算機(jī)，識別任何東西（無論是鐘、椅子、人類或動物）都是一個非常困難的問題，并且為該問題找到解決方案的風(fēng)險(xiǎn)非常高。

圖像識別是一種機(jī)器學(xué)習(xí)方法，其設(shè)計(jì)類似于人類大腦的功能。通過這種方法，計(jì)算機(jī)可以識別圖像中的視覺元素。通過依靠大型數(shù)據(jù)庫和注意顯露模式（emerging patterns），計(jì)算機(jī)可以理解圖像，并制定相關(guān)的標(biāo)簽和類別。

圖像識別的流行應(yīng)用

圖像識別有各種應(yīng)用。其中最常見和最受歡迎的是個人圖片管理。照片管理應(yīng)用程序的用戶體驗(yàn)正在通過圖像識別變得越來越好。除了提供照片存儲，應(yīng)用程序還要進(jìn)一步向人們提供更好的發(fā)現(xiàn)和搜索功能。他們可以通過機(jī)器學(xué)習(xí)提供的自動圖像組織的功能來實(shí)現(xiàn)。集成在應(yīng)用中的圖像識別應(yīng)用編程接口根據(jù)識別的圖案對圖像進(jìn)行分類，并將它們進(jìn)行主題分組。

圖像識別的其他應(yīng)用包括全景圖庫和視頻網(wǎng)站、互動營銷和創(chuàng)意活動、社交網(wǎng)絡(luò)上的面部和圖像識別以及具有巨大視覺數(shù)據(jù)庫的網(wǎng)站的圖像分類。

圖像識別是一項(xiàng)艱巨的任務(wù)

圖像識別不是一件容易的事情。實(shí)現(xiàn)它的一個好方法是，將元數(shù)據(jù)應(yīng)用于非結(jié)構(gòu)化數(shù)據(jù)。聘請人類專家手動標(biāo)注音樂和電影庫可能是一項(xiàng)艱巨的任務(wù)，但是當(dāng)涉及無人駕駛汽車的導(dǎo)航系統(tǒng)，如將道路上的行人與各種其他車輛區(qū)分開來或過濾，分類或標(biāo)記每天在社交媒體上顯示的用戶上傳的數(shù)百萬個視頻和照片等挑戰(zhàn)時，將變得遙不可及。

解決這個問題的一個方法是利用神經(jīng)網(wǎng)絡(luò)。我們可以利用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在理論上分析圖像，但在實(shí)踐中，從計(jì)算的角度來說，成本將是非常昂貴的。例如，一個普通的試圖處理小圖像的神經(jīng)網(wǎng)絡(luò)（讓它變?yōu)?0 * 30像素）仍然需要50萬個參數(shù)和900個輸入。一個功能強(qiáng)大的機(jī)器可以處理這一點(diǎn)，但是，一旦圖像變得更大（例如達(dá)到500 * 500像素），則需要的參數(shù)和輸入數(shù)量就會增加到非常高的水平。

與圖像識別神經(jīng)網(wǎng)絡(luò)的應(yīng)用相關(guān)的另一個問題是過度擬合。簡單來說，過度擬合發(fā)生在模型裁剪本身與其已經(jīng)被訓(xùn)練的數(shù)據(jù)非常接近的時候。一般來說，這將導(dǎo)致附加參數(shù)（進(jìn)一步增加計(jì)算成本）和模型對新數(shù)據(jù)的暴露導(dǎo)致一般性能下降。

卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)模型

就神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)而言，一個相對簡單的變化可以使更大的圖像更易于管理。結(jié)果就是我們所說的CNN或ConvNets（卷積神經(jīng)網(wǎng)絡(luò)）。

神經(jīng)網(wǎng)絡(luò)的一般適用性是其優(yōu)點(diǎn)之一，但是這種優(yōu)勢在處理圖像時變成了一種妨礙。卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行有意思的權(quán)衡：如果一個網(wǎng)絡(luò)是專門為處理圖像而設(shè)計(jì)的，那么為了更可行的解決方案，必須犧牲一些一般性。

如果你考慮任何圖像，接近度與其中的相似性具有很強(qiáng)的相關(guān)性，并且卷積神經(jīng)網(wǎng)絡(luò)明確利用了這一事實(shí)。這意味著在給定圖像中，彼此更接近的兩個像素更可能與彼此分開的兩個像素相關(guān)。然而，在一般的神經(jīng)網(wǎng)絡(luò)中，每個像素都都與每一個神經(jīng)元相連。增加的計(jì)算負(fù)荷使得網(wǎng)絡(luò)在這種情況下不太準(zhǔn)確。

通過停止很多這些不太重要的連接，卷積解決了這個問題。在技術(shù)術(shù)語中，卷積神經(jīng)網(wǎng)絡(luò)使得圖像處理可以通過鄰近度對連接進(jìn)行濾波而計(jì)算可管理。在給定層中，卷積神經(jīng)網(wǎng)絡(luò)不是將每個輸入連接到每個神經(jīng)元，而是有意限制了連接，使得任何一個神經(jīng)元僅從它之前的層的小部分接受輸入（例如5 * 5或3 * 3像素）。因此，每個神經(jīng)元只負(fù)責(zé)處理圖像的某一部分（順便說一句，這幾乎是個體皮質(zhì)神經(jīng)元在大腦中的作用，每個神經(jīng)元只對整個視野的一小部分起反應(yīng)）。

卷積神經(jīng)網(wǎng)絡(luò)的工作過程

在上圖中從左到右，你可以觀察到：

·對特征進(jìn)行掃描的真實(shí)輸入圖像。通過它的過濾器是光矩形。

·激活映射被安排在一個堆棧的頂部，另一個用于你使用的每個篩選器。較大的矩形為要進(jìn)行下采樣的1補(bǔ)丁。

·激活圖通過下采樣進(jìn)行壓縮。

·通過將過濾器通過堆棧進(jìn)行下采樣生成的一組新的激活映射。

·第二次下采樣——將第二組激活圖壓縮。

·完全連接層，每個節(jié)點(diǎn)指定1個標(biāo)簽的輸出。

CNN如何通過濾臨近連接？秘密是添加了兩種新的層：池化和卷積層。我們將以下述方式分解這個過程：使用一個被用于某種用途的，比如說，確定一張圖片中是否包含祖父。

該過程的第一步是卷積層，其本身又包含幾個步驟。

·首先，我們將把祖父的圖片分解成一系列重疊的3 * 3像素的拼圖。

·之后，我們將通過一個簡單的單層神經(jīng)網(wǎng)絡(luò)來運(yùn)行這些拼圖，權(quán)重保持不變。將瓷磚排列組合，當(dāng)我們保持每個圖像尺寸是小的（在這種情況下為3 * 3）時，神經(jīng)網(wǎng)絡(luò)需要處理它們保證可控與小型化。

·然后，將以數(shù)字表示照片中每個區(qū)域的內(nèi)容的數(shù)組進(jìn)行輸出值排列，其中坐標(biāo)軸表示顏色，寬度和高度。所以，對于每個拼圖，在這種情況下，我們將有一個3 * 3 * 3的表示。（如果我們談?wù)撟娓傅囊曨l的話，我們會拋出第四個維度——時間）。

·下一步是池化層。它采用這些3或4維陣列，并與空間維度一起應(yīng)用下采樣功能。結(jié)果是一個池?cái)?shù)組，其中僅包含重要的圖像部分，同時丟棄剩余部分，這最大限度地減少了需要完成的計(jì)算量，同時也避免了過度擬合問題。

采用下采樣陣列作為常規(guī)全連接神經(jīng)網(wǎng)絡(luò)的輸入。由于使用池和卷積，輸入的大小已經(jīng)大大降低了，所以我們現(xiàn)在必須擁有普通網(wǎng)絡(luò)能夠處理的一些東西，同時保留最重要的數(shù)據(jù)部分。最后一步的輸出將代表系統(tǒng)對于祖父圖片的確信度。

在現(xiàn)實(shí)生活中，CNN的工作過程錯綜復(fù)雜，涉及許多隱藏、池化和卷積層。除此之外，真正的CNN通常涉及數(shù)百或數(shù)千個標(biāo)簽，而不僅僅是單一標(biāo)簽。

如何構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)？

從零開始構(gòu)建CNN可能是一項(xiàng)昂貴而耗時的工作。話雖如此，人們最近開發(fā)了一些API，旨在使不同組織能夠收集不同的見解，而無需自己研究機(jī)器學(xué)習(xí)或計(jì)算機(jī)視覺專業(yè)知識。

谷歌 Cloud Vision

GoogleCloud Vision是谷歌的視覺識別API，并使用REST API。它基于開源的TensorFlow框架。它檢測單個面部和物體，并包含一個相當(dāng)全面的標(biāo)簽集。

IBM沃森視覺識別

IBM沃森視覺識別是沃森開發(fā)者云（Watson Developer Cloud）的一部分，并附帶了一大批內(nèi)置的類別，但實(shí)際上是為根據(jù)你提供的圖像來訓(xùn)練自定義定制類而構(gòu)建的。它還支持一些很棒的功能，包括NSFW和OCR檢測，如Google Cloud Vision。

Clarif.ai

Clarif.ai是一個新興的圖像識別服務(wù)，也使用REST API。關(guān)于Clarif.ai的一個有趣的方面是它附帶了一些模塊，有助于將其算法定制到特定主題，如食物、旅行和婚禮。

盡管上述API適用于少數(shù)一般應(yīng)用程序，但你可能仍然需要為特定任務(wù)開發(fā)自定義解決方案。幸運(yùn)的是，許多庫可以通過處理優(yōu)化和計(jì)算方面來使開發(fā)人員和數(shù)據(jù)科學(xué)家的生活變得更加容易，從而使他們專注于訓(xùn)練模型。有許多庫，包括Theano、Torch、DeepLearning4J和TensorFlow已經(jīng)成功應(yīng)用于各種應(yīng)用。

卷積神經(jīng)網(wǎng)絡(luò)的有趣應(yīng)用

自動將聲音添加到無聲電影

為了匹配無聲視頻，系統(tǒng)必須在此任務(wù)中合成聲音。該系統(tǒng)使用千個視頻示例進(jìn)行訓(xùn)練，用鼓棒擊打不同的表面，產(chǎn)生不同的聲音。深度學(xué)習(xí)模型將視頻幀與預(yù)錄音的數(shù)據(jù)庫相關(guān)聯(lián)，以選擇與場景中發(fā)生的完全匹配的聲音。然后系統(tǒng)將借助于類似于圖靈測試的設(shè)置進(jìn)行評估，人們必須確定哪個視頻具有假（合成）或真實(shí)的聲音。這是卷積神經(jīng)網(wǎng)絡(luò)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)中非�？岬膽�(yīng)用。