圖像識別

圖像識別概念：

我們對圖像進行一些列的處理，將其有用的信息提取出來，進行劃分歸類，這就是圖像識別。

圖像識別目的：

將景物、圖像、字符等信息經過預處理，然后進行識別，讓計算機具有機器視覺，能夠與外界進行交互，具有類似人類所擁有的識別物體的能力，這就是圖像識別的目的。
圖像識別的結果，可以讓機器更加智能，擴展的方向如：圖像檢索、圖像推薦等。

圖像識別發展的過程

文字的識別；數字圖像的處理與識別；物體的識別。

圖像識別中的特征提取

圖像識別中的特征提取非常重要，圖像識別主要是根據圖像的特征進行分類，按照同一相似特征將圖像分為一類，另一相似特征分為另一類。
特征分為兩類：初級特征（淺層特征）和高級特征（結構性特征）。
初級特征：形狀特征、顏色特征、紋理特征。
高級特征：根據底層特征抽取并學習得到的語義特征，表現的很抽象，如人的行為分析、無人駕駛、人臉分析等。

圖像識別方法

傳統方法為：
模版匹配方法（采用已知的模版與目標圖像進行匹配比較）；貝葉斯分類法；人工神經網絡法等。
當前的深度學習用到的圖像識別方法基于神經網絡。

深度學習

深度學習基礎理論

神經網絡的基本理念是一個相互連接的單元所組成的系統，這個系統能夠對外界所輸入的一些刺激做出反應，繼而激活整個系統。
深度學習是機器學習的一個新的分支，它的目的是模擬人腦建立神經網絡，它可以使用多個信息處理層處理圖像、文本以及聲音等信息。通過模擬人腦的神經系統，利用分層模型逐層對數據提取更抽象的特征表示，這樣的多層非線性信息處理可以運用到圖像識別、模式識別、特征提取上；低層次的特征可以形成高層次的特征，這樣的分層次結構可以成為深層結構。
研究學者在傳統神經網絡的基礎上研究深度學習，利用底層像素特征學習到更高層、更抽象的特征，這些特征能夠更好的表示屬性類別和描述數據，我們可以把深度學習認為是神經網絡的延伸。
深度學習由多個神經元構成，這一層的輸入是上一層的輸出，底層到高層無干預的學習，學習到每一層的抽象特征，最后通過自動學習到的網絡運用分類器進行識別。

深度學習可以概括為三個關鍵點：

（1）深度學習包括多個非線性數據處理層；
（2）深度學習自底向上學習到的特征越來越高級；
（3）利用分層的思想，通過學習底層的特征得到高層的特征。

總結

以上是生活随笔為你收集整理的深度学习、图像识别的基本概念的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。