四、总结与展望 24

(一) 总结 24

(二) 应用 24

(三) 展望 25

致谢 27

参考文献 28

一、绪论

(一) 背景

世界上第一张摄影图像诞生于约200年前[1]，从此拉开了图像在记录人类历史方面的序幕。最近10年，互联网经历了井喷式的资源增长。随之产生的问题是用户无法准确获取自己想要的图片，因此如何寻找一种方式让用户快速获取自己想要的图片，目前已经成了一个巨大的难题。论文网

将图像进行归类是一个处理这个巨大难题的方案。然而图像资源在互联网上的井喷给图像归类带来了麻烦，图像检索系统无法按照有效的图像归类进行图像检索，造成检索的图像无法准确满足用户的需求。

图像归类的一个难点是如何提取优质的图像语义特征[2]。刚开始由于图像数量较少，利用人工就可以完成图像的分类工作。人工分类的优势在于完全基于人类的自然语言来提取语义特征，不存在语义鸿沟问题，精准度相对较高，劣势在于要消耗大量的人力，效率低下，不适合大规模使用，而且提取的语义受到个人主观因素（经历、情感）的影响，每个人对于图片的理解可能不同，因此得出的语义各有一定的差异。

目前机器可以完成简单的图像归类。机器自动分类的方法是由机器自动从图像的底层视觉特征(如颜色、纹理、形状等)和关连性的文字(比如用户对于图像的评论等)中提取语义特征，对于图像进行分类。社交网络上的图像资源发布通常都会配有文字；文章中的图片周围也包含相关性的文字，因此这种方式相比于人工分类的方式更为高效。其优势在于这个过程不需要人工参与，可以大规模使用，劣势在于受到语义鸿沟的障碍，精确度不高，造成用户无法精确获取想要的图片。

传统机器图像归类是基于视觉反馈的对象特性（颜色、形状等登），这与人类理解图像时所产生的复杂信息具有一定的差距，从而造成了语义鸿沟[3]，使用者无法更快找到自己想要的图片。例如，传统的图像归类只能标注“肉”这一简单的语义，但其实用户在查找图片时希望查到的是“正在烤盘上烤的肉”这一高级语义。语义鸿沟成了图像归类的一大难题。寻找一种有效的方式来解决语义鸿沟问题，将会有效提升图片的分类和搜索精确度。

人工智能的高速成长为解决语义鸿沟带来了有效的策略。通过运用深度学习相关的模型，训练机器学习图像中包含的接近人类自然语言的高层语义特征，然后根据语义特征进行分类。这种方式很好地解决了语义鸿沟问题，极大地提升了图像归类的效果。

总体来说，深度学习相关的神经网络，例如卷积神经网络等等，已经被广泛地运用到了图像处理当中，但是对于深度学习在图像处理上的科研并没有放缓，研究人员正在加紧探索图像处理的更多领域。

(二) 国内外研究现状

(三)研究目的与意义

计算机技术的发展已经大大提升了人们的生活，但是好奇心总是驱使着人们去探索更多的可能，当人们在生活中可以随心所欲操控自己的手机和电脑的时候，人们开始渴求科幻片里的人工智能，即机器能够像人一样思考，处理事件，就像游戏《光环》里的人工智能科塔娜一样。

硬件，软件和用户习惯方面的成熟发展，也预示着现在发展人工智能领域技术是水到渠成的。苹果的Siri，微软的Cortana，谷歌的无人驾驶汽车和Alpha Go，越来越多与人工智能相关的名词出现在新闻当中。之所以这些名词相关的产品会受到关注，一方面是好奇，一方面也确实是人们在这些方面有了需求，人们总是在追寻更好的产品。 深度学习的图像语义提取研究(2):http://www.youerw.com/jisuanji/lunwen_94166.html