图像理解中的卷积神经网络.pdfVIP

第42卷第9期自动化学报Vo1．42，No．9

2016年9月ACTAAUTOMATICASINICASeptember，2016

图像理解中的卷积神经网络

常亮邓小明。周明全武仲科，。袁野s，杨硕。，王宏安s

摘要近年来，卷积神经网络(Convolutionalneuralnetworks，CNN)已在图像理解领域得到了广泛的应用，引起了研究

者的关注．特别是随着大规模图像数据的产生以及计算机硬件(特别是GPU)的飞速发展，卷积神经网络以及其改进方法在

图像理解中取得了突破性的成果，引发了研究的热潮．本文综述了卷积神经网络在图像理解中的研究进展与典型应用．首先，

阐述卷积神经网络的基础理论；然后，阐述其在图像理解的具体方面，如图像分类与物体检测、人脸识别和场景的语义分割等

的研究进展与应用．

关键词卷积神经网络，图像理解，深度学习，图像分类，物体检测

引用格式常亮，邓小明，周明全，武仲科，袁野，杨硕，王宏安．图像理解中的卷积神经网络．自动化学报，2016，42(9)：

】3f1)(一】3】2

DOI10．16383／j．as．2016．c150800

ConvolutionalNeuralNetworksinImageUnderstanding

CHANGLiang一DENGXiao—Ming。ZHOUMing—Quan，WUZhong-Ke。YUANYe。’

YANGShuo。一WANGHong—An。

AbstractConvolutionalneuralnetworks(CNN)havebeenwidelyappliedtoimageunderstanding，andtheyhavearose

muchattentionfromresearchers．Specifically，withtheemergenceoflargeimagesetsandtherapiddevelopmentofGPUs，

convolutionalneuralnetworksandtheirimprovementshavemadebreakthroughsinimageunderstanding，bringingabout

wideapplicationsintothisarea．Thispapersummarizestheup—to-dateresearchandtypicalapplicationsforconvolutional

neuralnetworksinimageunderstanding．Wefirstlyreviewthetheoreticalbasis，andthenwepresenttherecentadvances

andachievementsinmajorareasofimageunderstanding，suchasimageclassification，objectdetection，facerecognition，

semanticimagesegmentationetc．

KeywordsConvolutionalneuralnetworks(CNN)，imageunderstanding，deeplearning，imageclassification，object

detection

CitationChangLiang，DengXiao—Ming，ZhouMing—Quan，WuZhong—KejYuanYejYangShuo，WangHong—An

Convolutionalneuralnetworksinimageunderstanding．ActaAutomaticaSinica，2016，42(9)：1300-1312

1986年，Rumelhart等[]提出人工神经网络练时间长的缺陷，但是与基于规则的学习相比已

的反向传播算法(Backpropagation，BP)，掀起经具有优越性．基于统计学习理论的支持向量

_r神经网络在机器学习中的研究热潮．神