传统机器学习与深度学习方法的比较

使用机器学习算法进行分类包含训练和预测两个阶段（图14.3）：训练阶段，使用包含图像及其相应标签的数据集来训练机器学习算法；预测阶段，利用训练好的模型进行预测。

图像分类是经典的人工智能方法，采用机器学习的方法，需要先进行模型参数训练，训练阶段包括两个主要步骤：

①特征提取。在这一阶段，利用领域知识来提取机器学习算法将使用的新特征。HoG和SIFT是图像分类中常使用的参数。

②模型训练。在此阶段，利用包含图像特征和相应标签的干净数据集来训练机器学习模型。

在预测阶段，将相同的特征提取过程应用于新图像，然后将特征传递给训练有素的机器学习算法来预测标签。(www.xing528.com)

图14.3　经典的机器学习过程

深度学习的思想是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元。它是用于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，模仿大脑神经元之间的信息传递。

深度学习是一种深层的机器学习模型，其深度体现在对特征的多次变换上。常用的深度学习模型为多层神经网络，神经网络的每一层都将输入非线性映射，通过多层非线性映射的堆叠，可以在深层神经网络中计算出抽象的特征来帮助分类。在图像分析等经典卷积神经网络中，将原始图像的像素值直接输入，第一层神经网络可以视作边缘的检测器；而第二层神经网络则可以检测边缘的组合，得到一些基本模块；第三层之后的一些网络会将这些基本模块进行组合，最终检测出待识别目标。

与机器学习方法相比，深度学习方法使得很多应用中不再需要单独对特征进行选择与变换，而是将原始数据输入到模型中，由模型通过学习给出适合分类的特征表示。