深度学习笔记整理（六）——深度学习的应用

1.物体识别

• 深度学习之前：尺度不变特征变换方法和支持向量机等机器学习方法组合应用；
• 2012年：多伦多大学研究团队提出CNN、ReLU、DropOut的使用，可以自动捕捉到多个方向的边缘和颜色渐变、网纹图案等；
• 2013年：反卷积网络的提出，可以恢复卷积结果，直观确认训练后网络的好坏；
• 2014年：深度神经网络的提出，22层的GoogleNet和19层的VGG。

2.物体检测

确定图像中物体的位置的方法。

分类：

• 事先限定检测对象：人脸检测、行人检测；
• 非类别限定

对于非类别限定的物体检测，使用区域神经卷积网络R-CNN实现，一些问题和解决方法如下：

问题1：如何筛选候选区域

• R-CNN通过selective search分割方法从图像中提取候选区域；
• 再将候选区域作为CNN的输入。

问题2：如何去除冗余的候选区域

• 迁移学习
• 首先使用ImageNet数据集进行物体识别网络训练，再把训练好的网络参数作为其它网络参数初始值进行微调；
• 通过CNN提取特征，通过SVM进行识别。

3.分割

输出每个像素所属类别的方法。

4.回归问题

应用：面部器官检测和人体姿态估计

训练时使用最小二乘误差函数，通过级联网络提高估计的准确率。

步骤：

1. 使用针对整个脸部区域的网络和针对特定区域的网络分别检测；
2. 初步估计各器官大概位置，独立估计各器官的位置，具有很好的稳健性；
3. 针对各器官进行详细位置的估计。

5.人脸识别

• 人脸对比：基于二值模式，捕捉到的人脸图像与已认证的作对比，核实是否为同一人；
• 人脸认证：类别识别，从已登记人员中找到识别到的对象，登记规模越大，识别难度越高。