資源描述：
《深度學(xué)習(xí)進(jìn)展及其在圖像處理領(lǐng)域的應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、ZTETECHNOLOGYJOURNAL專題劉涵等深度學(xué)習(xí)進(jìn)展及其在圖像處理領(lǐng)域的應(yīng)用DOI：10.3969/j.issn.1009-6868.2017.04.007網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/34.1228.TN.20170712.1627.002.html深度學(xué)習(xí)進(jìn)展及其在圖像處理領(lǐng)域的應(yīng)用AdvancesinDeepLearningandItsApplicationsinImageProcessing中圖分類號(hào)：TN929.5文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1009-6868(2017)04-00
2、36-0051劉涵/LIUHan賀霖/HELin2摘要：深度學(xué)習(xí)一般通過(guò)3種方式進(jìn)行：有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和混合深度學(xué)李軍/LIJun1習(xí)。以“無(wú)監(jiān)督或生成式特征學(xué)習(xí)”以及“有監(jiān)督特征學(xué)習(xí)和分類”為例，討論了深度學(xué)習(xí)及其在圖像處理等領(lǐng)域的進(jìn)展及未來(lái)可能的研究方向。認(rèn)為深度學(xué)習(xí)打破（1.中山大學(xué)，廣東廣州510275；2.華南理工大學(xué)，廣東廣州510640）了傳統(tǒng)機(jī)器學(xué)習(xí)和信號(hào)處理技術(shù)普遍基于淺層結(jié)構(gòu)的局限。得益于相關(guān)非凸優(yōu)化(1.SunYat-SenUniversity,Guangzhou等問(wèn)題的逐步解決，深度學(xué)習(xí)已經(jīng)在圖像處理等領(lǐng)域取得了一
3、些突破性的進(jìn)展。510275,China;2.SouthChinaUniversityofTechnology,關(guān)鍵詞：深度學(xué)習(xí)；圖像處理；分層結(jié)構(gòu)Guangzhou510640,China)Abstract:Deeplearningmethodsareusuallydividedintothreedifferentcategories,includingsupervisedlearning,unsupervisedlearningandmixed-structuredlearning.Inthispaper,"unsupervisedorge
4、nerativefeaturelearning"and"supervisedfeaturelearningandclassification"aretakenforexamplestoillustratetheresearchadvancesindeeplearning,andseveralpromisingresearchlinesinimageprocessing.Deeplearningtechniquehasovercomesomelimitationsofshallowstructurescommonlyusedintradition
5、almachinelearningandsignalprocessing.Duetotheprogressin過(guò)去10年左右的時(shí)間里，深度在someaspects,suchasrelevantnonconvexoptimization,deeplearninghasachieved學(xué)習(xí)對(duì)信息技術(shù)的許多方面都remarkabledevelopment.產(chǎn)生了重要影響。諸多關(guān)于深度學(xué)Keywords:deeplearning;imageprocessing;hierarchicalstructure習(xí)的描述普遍存在兩個(gè)重要的共同點(diǎn)：包含多層或多階非
6、線性信息處理的模型；使用了連續(xù)的更高、更抽象層中的監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)特征表示的方法。深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，包含人工智能、圖模型、最優(yōu)化混合模型（GMM）、線性或非線性動(dòng)表示。如果能實(shí)現(xiàn)有效和高效的深等技術(shù)在內(nèi)的交叉領(lǐng)域。它之所以力系統(tǒng)、條件隨機(jī)場(chǎng)（CRF）、最大熵度學(xué)習(xí)算法，那么對(duì)于各種自然信號(hào)如此受關(guān)注，主要源于3個(gè)方面：芯模型（MaxEnt）、支持向量機(jī)（SVM）、的處理技術(shù)而言，其性能會(huì)得到很大片硬件處理性能的巨大提升，為深度邏輯回歸（LR）、核回歸以及多層感提升。網(wǎng)絡(luò)的復(fù)雜計(jì)算提供了基礎(chǔ)；用于訓(xùn)知器（MLP）等。這些結(jié)構(gòu)一般包含深度
7、學(xué)習(xí)的概念一般被認(rèn)為來(lái)練的數(shù)據(jù)呈爆炸性增長(zhǎng)，為復(fù)雜網(wǎng)絡(luò)最多一到兩層的非線性特征變換。源于對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究。前饋的學(xué)習(xí)提供了可能；機(jī)器學(xué)習(xí)和信息已有研究表明：淺層結(jié)構(gòu)在解決簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)或具有多隱層的多層感知處理等方面研究取得了很大進(jìn)展。的或者約束較多的問(wèn)題上效果明顯，器是深度神經(jīng)網(wǎng)絡(luò)（DNN）的典型模但是由于其建模和表示能力有限，在型。反向傳播（BP）算法是解決其學(xué)1深度學(xué)習(xí)的發(fā)展對(duì)實(shí)際應(yīng)用中一些較為復(fù)雜自然信習(xí)問(wèn)題的廣泛運(yùn)用的典型算法。遺以前，絕大多數(shù)機(jī)器學(xué)習(xí)和信號(hào)號(hào)（比如人類語(yǔ)音、自然聲音和語(yǔ)言、憾的是，僅僅使用BP算法在實(shí)際學(xué)處理技術(shù)都
8、是基于淺層結(jié)構(gòu)，如高斯自然圖像和視覺(jué)景色）進(jìn)行處理時(shí)會(huì)習(xí)隱層數(shù)目較多的網(wǎng)絡(luò)時(shí)往往效果遇到一些困難。人類的聽(tīng)覺(jué)和視覺(jué)不是很好[1]。在優(yōu)化目標(biāo)為非凸函數(shù)
