網路圖像是如何識別的

❶ 如何通過人工神經網路實現圖像識別

神經網路實現圖像識別的過程很復雜。但是大概過程很容易理解。我也是節選一篇圖像識別技術的文章，大概說一下。

圖像識別技術主要是通過卷積神經網路來實現的。這種神經網路的優勢在於，它利用了「同一圖像中相鄰像素的強關聯性和強相似度」這一原理。具體而言就是，在一張圖像中的兩個相鄰像素，比圖像中兩個分開的像素更具有關聯性。但是，在一個常規的神經網路中，每個像素都被連接到了單獨的神經元。這樣一來，計算負擔自然加重了。卷積神經網路通過削減許多不必要的連接來解決圖像識別技術中的這一問題。運用圖像識別技術中的術語來說就是，卷積神經網路按照關聯程度篩選不必要的連接，進而使圖像識別過程在計算上更具有可操作性。卷積神經網路有意地限制了圖像識別時候的連接，讓一個神經元只接受來自之前圖層的小分段的輸入（假設是3×3或5×5像素），避免了過重的計算負擔。因此，每一個神經元只需要負責處理圖像的一小部分。大大加快了速度和准確率。

卷積神經網路在實施的過程中，實際上是分為兩層，一個是卷積層，一個是匯聚層，簡單理解就是

卷積層將圖片分散成一個一個或者3*3/5*5的小像素塊，然後把這些輸出值排列在圖組中，用數字表示照片中各個區域的內容，數軸分別代表高度、寬度和顏色。那麼，我們就得到了每一個圖塊的三維數值表達。匯聚層是將這個三維（或是四維）圖組的空間維度與采樣函數結合起來，輸出一個僅包含了圖像中相對重要的部分的聯合數組。這一聯合數組不僅能使卷積神經網路計算負擔最小化，還能有效避免過度擬合的問題。

以上大概就是使用卷積神經網路進行圖像識別的過程。具體可以關注ATYUN人工智慧平台的文章：揭秘圖像識別技術，機器如何利用卷積神經網路「看見」這個世界

❷ 如何通過人工神經網路實現圖像識別

人工神經網路（Artificial Neural Networks）（簡稱ANN）系統從20 世紀40 年代末誕生至今僅短短半個多世紀，但由於他具有信息的分布存儲、並行處理以及自學習能力等優點，已經在信息處理、模式識別、智能控制及系統建模等領域得到越來越廣泛的應用。尤其是基於誤差反向傳播（Error Back Propagation）演算法的多層前饋網路（Multiple-Layer Feedforward Network）(簡稱BP 網路)，可以以任意精度逼近任意的連續函數，所以廣泛應用於非線性建模、函數逼近、模式分類等方面。

目標識別是模式識別領域的一項傳統的課題，這是因為目標識別不是一個孤立的問題，而是模式識別領域中大多數課題都會遇到的基本問題，並且在不同的課題中，由於具體的條件不同，解決的方法也不盡相同，因而目標識別的研究仍具有理論和實踐意義。這里討論的是將要識別的目標物體用成像頭(紅外或可見光等)攝入後形成的圖像信號序列送入計算機，用神經網路識別圖像的問題。

一、BP 神經網路

BP 網路是採用Widrow-Hoff 學習演算法和非線性可微轉移函數的多層網路。一個典型的BP 網路採用的是梯度下降演算法，也就是Widrow-Hoff 演算法所規定的。backpropagation 就是指的為非線性多層網路計算梯度的方法。一個典型的BP 網路結構如圖所示。

六、總結

從上述的試驗中已經可以看出，採用神經網路識別是切實可行的，給出的例子只是簡單的數字識別實驗，要想在網路模式下識別復雜的目標圖像則需要降低網路規模，增加識別能力，原理是一樣的。