【卷积神经网络与手势识别探究的国内外文献综述3600字】.pdfVIP

卷积神经网络与手势识别研究的国内外文献综述

1卷积神经网络研究现状

由于互联网在二十一世纪的迅猛发展，由此而产生了大量的数据信息，因此

如何对这些海量的数据进行快速、准确的智能分析是当下人们关注的重点，在这

种背景下提出的人工神经网络算法可以很好的满足这类需求。人工神经网络中包

含的模型有很多，深度学习技术是其中的一种，自上个世纪七十年代诞生以来就

一直受到广泛的关注。上个世纪七十年代处芬兰一位学首次提出了自组织的神

经网络，随后经过两年的时间，美国一位学提出了具有重要意义的逆向传播神

经网络，也就是常说的bp神经网络;到了上个世纪八十年代，hinton等人发明了”

隐单元”的概念，2006年,hinton和他的一位女大学生在《科学》技术杂志近期发

表一篇论文中分别提出两个重要的研究观点:一种就是多数据隐含的深层的学习

神经网络我们能够深层学习并且分析得到一种能够刻画海量数据的某种本质属

性的海量抽象数据特征,有助于我们进行海量数据的解析分类和同时进行海量数

据库的可视化等处理任务;二种就是由于采用一种无过程监督的”逐层初始化”学

习方式，可以有效地大大减小深层学习神经网络的人员培养工作难度。这篇学术

论文这也标志着目前中国首个深度机器学习的正式诞生。同年,hinton又一次提出

了基于受限制的玻尔兹曼通用电子技术公司网络构建的一种更为深度化的信念

处理网络PMMO

PageNet的诞生为深度学习中大数据的分析提供了很大的帮助，主要是为图

像理解领域的发展奠定了重要的基础。卷积神经网络属于深度学习的重要子分

支,AlexKrizhevsky等人利用卷积神经网络lexNet在有关视觉识别的比赛中取得了非

常好的成绩，这表明该项技术在理论上是非常有效的，因此它的诞生也被视作为计

算机视觉领域的重要节点［i］。随后，伴随着社会需求的不断扩大，深度卷积网络

技术得到了广泛的研究，并且被运用在多个场合领域中。Huang等人通过

3DHopfiel神经网络完成了对多达十五类的手势识别。Pigou等人利用卷积网络对

手势和上半身特征进行了分别提取，数据结果表明具有出色的效果⑶。

1962年，WiesekHubei基于动物的视觉系统，首次发明了感受野的概念。

到了上个世纪八十年代，Fukushima在它的基础上通过深入的研究，提出了神经

认知机的概念，它就是卷积神经网络第一个被用来实现的神经网络，它把一个被

认知的视觉特点分解为组成许多不同的被认知视觉子特点,然后将这些被认知视

觉的特点输入至各层视觉特点的平面来进行图像处理。整个图像处理流程使得对

1

于视觉系统具有了模型化，从而使得在识别的过程中能够抑制对物体的位移或

变形产生的影响，进而大大提高了系统的辨识率。

通常一般有两类神经元组成神经认知机，即s元、C元两个。其中前主要

用于特征提取，后主要用于数据处理过程中变形的抑制。前的主要参数包括

感受野与阈值，感受野的作用是用来明确输入连接的个数，至于阈值则被用于对

特征子模式的一个反应程度进行有效的控制回。

根据Hebb学习规则，一个特征可以被检测出来的概率和检测的次数通常与

训练中接受到的次数是有着正比关系的，简而言之就是训练的次数越多，后期被

检测出的概率就越高。为了确保神经网络可以对特征进行有效的学习，从而提升

它的识别能力，人们开始把研究的重点放在神经认知机和进化计算理论相结合方

面，能够有效的降低重复训练的次数。卷积神经网络由神经认知机发展演变而来。

上个世纪八十年代末，YannLeCun首次提出了卷积神经网络CNN。CNN属于

人工神经网络的一类，由于其优秀的性能，近年来被广泛应用于图像识别和语音

数等领域。CNN是通过对生物神经网络进行模仿以后得到的一类特殊网络结构,

为了有效的减少权值数量，它通过对权值进行共享，最终降低了模型整体的复杂

度。在CNN诞生之初，它只在一些简单的应用上取得了一些成果，针对大尺寸

图像的处理效果并不佳，所以始终没有得到研究人员的广泛关注，这也就使得它

在计算机视觉领域始终没有得到大规模的应用。

直到2012年10月，Hinton教授等人将更深一层次的神经网络模型应用到了

著名