【摘要】：图像的底层视觉特征和高层语义之间一直存在着“语义鸿沟”的问题。近年来，深度学习成为人工智能领域的前沿热点，越来越多的研究者通过探索先进的深度网络方法，学习图像的特征表示和建模，从而缩小语义鸿沟。深度网络具有强大的学习能力和高效的特征表达能力，更重要的优点是从像素级原始数据到抽象的语义概念逐层提取信息，这使得它在提取图像的全局特征和上下文信息方面具有突出的优势。
图像的底层视觉特征和高层语义之间一直存在着“语义鸿沟”的问题。近年来，深度学习成为人工智能领域的前沿热点，越来越多的研究者通过探索先进的深度网络方法，学习图像的特征表示和建模，从而缩小语义鸿沟。
深度网络广泛应用在图像检索、模式识别、自然语言处理等各个领域，并取得了巨大的成功。深度网络成功的原因主要是:①增加了深度网络的复杂性，使得网络变得更有能力拟合训练数据；②设计了有效的策略去解决过拟合等问题。深度网络具有强大的学习能力和高效的特征表达能力，更重要的优点是从像素级原始数据到抽象的语义概念逐层提取信息，这使得它在提取图像的全局特征和上下文信息方面具有突出的优势。(www.xing528.com)
例如:深度网络中的卷积神经网络，其中所包含的卷积层(Convolution，C)、池化层，以及全连接层(Full Connection，FC)是卷积神经网络的重要组成部分。卷积层的特征提取利用了自然图像的统计平稳性，上一层的特征被一个可学习的卷积核进行卷积，然后通过一个激活函数，就可以得到输出特征图；每一个输出特征图可能是组合卷积多个输入特征图的值。池化层是在卷积特征提取的基础上，对每个卷积得到的特征进行取平均，减小卷积层输出特征向量的维数，同时改善结果防止过拟合。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
