卷積神經網絡綜述精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經網絡綜述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經網絡綜述范文

關鍵詞：人工智能 機器學習 機器人情感獲得 發展綜述

中圖分類號：TP18 文獻標識碼：A 文章編號：1003-9082 （2017） 04-0234-01

引言

人類自從工業革命結束之后，就已然開始了對人工智能的探索，究其本質，實際上就是對人的思維進行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期，那時圖靈就希望未來的智能系統能夠像人一樣思考。在20世紀五十年代，人工智能被首次確定為一個新興的學科，并吸引了大批的學者投入到該領域的研究當中。經過長時間的探索和嘗試，人工智能的許多重要基本理論已經形成，如模式識別、特征表示與推理、機器學習的相關理論和算法等等。進入二十一世紀以來，隨著深度學習與卷積神經網絡的發展，人工智能再一次成為研究熱點。人工智能技術與基因過程、納米科學并列為二十一世紀的三大尖端技術， 并且人工智能涉及的學科多，社會應用廣泛，對其原理和本質的理解也更為復雜。 一、人工智能的發展歷程

回顧人工智能的產生與發展過程 ，可以將其分為：初期形成階段，綜合發展階段和應用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對人腦神經元模型的抽象。其早期工作被認為是由美國的神經學家和控制論學者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學的研究生制造出了第一臺人工神經元計算機。而其真正作為一個新的概念被提出是在1956年舉行的達茅斯會議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學科。1969年的國際人工智能聯合會議標志著人工智能得到了國際的認可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數學、生物、計算機、神經科學等相關學科的學者參與該領域的研究。

2.綜合發展階段

1.7 7年， 費根鮑姆在第五屆國際人工智能聯合會議上正式提出了“知識工程”這一概念。而后其對應的專家系統得到發展，許多智能系統紛紛被推出，并應用到了人類生活的方方面面。20世紀80年代以來，專家系統逐步向多技術、多方法的綜合集成與多學科、多領域的綜合應用型發展。大型專家系統開發采用了多種人工智能語言、多種知識表示方法、多種推理機制和多種控制策略相結合的方式， 并開始運用各種專家系統外殼、專家系統開發工具和專家系統開發環境等等。在專家系統的發展過程中，人工智能得到了較為系統和全面的綜合發展，并能夠在一些具體的任務中接近甚至超過人類專家的水平。

3.應用階段

進入二十一世紀以后，由于深度人工神經網絡的提出，并在圖像分類與識別的任務上遠遠超過了傳統的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學的Geoffery Hinton及其學生在《Science》雜志上發表文章，其中首次提到了深度學習這一思想，實現對數據的分級表達，降低了經典神經網絡的訓練難度。并隨后提出了如深度卷積神經網絡（Convolutional Neural Network， CNN），以及區域卷積神經網絡（Region-based Convolutional Neural Network， R-CNN），等等新的網絡訓練結構，使得訓練和測試的效率得到大幅提升，識別準確率也顯著提高。

二、人工智能核心技術

人工智能由于其涉及的領域較多，內容復雜，因此在不同的應用場景涉及到許多核心技術，這其中如專家系統、機器學習、模式識別、人工神經網絡等是最重要也是發展較為完善的幾個核心技術。

1.專家系統

專家系統是一類具有專門知識和經驗的計算機智能程序系統，通過對人類專家的問題求解能力建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。對專家系統的研究，是人工智能中開展得較為全面、系統且已經取得廣泛應用的技術。許多成熟而先進的專家系統已經被應用在如醫療診斷、地質勘測、文化教育等方面。

2.機器學習

機器學習是一個讓計算機在非精確編程下進行活動的科學，也就是機器自己獲取知識。起初，機器學習被大量應用在圖像識別等學習任務中，后來，機器學習不再限于識別字符、圖像中的某個目標，而是將其應用到機器人、基因數據的分析甚至是金融市場的預測中。在機器學習的發展過程中，先后誕生了如凸優化、核方法、支持向量機、Boosting算法等等一系列經典的機器學習方法和理論。機器學習也是人工智能研究中最為重要的核心方向。

3.模式識別

模式識別是研究如何使機器具有感知能力 ，主要研究圖像和語音等的識別。其經典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發展起來應用模糊數學模式、人工神經網絡模式的方法逐漸取代傳統的基于統計學習的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字，識別指紋、癌細胞等技術已經進入實際應用。語音識別主要研究各種語音信號的分類，和自然語言理解等等。模式識別技術是人工智能的一大應用領域，其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。

4.人工神經網絡

人工神經網絡是在研究人腦的結構中得到啟發， 試圖用大量的處理單元模仿人腦神經系統工程結構和工作機理。而近年來發展的深度卷積神經網絡（Convolutional neural networks， CNNs）具有更復雜的網絡結構，與經典的機器學習算法相比在大數據的訓練下有著更強的特征學習和表達能力。含有多個隱含層的神經網絡能夠對輸入原始數據有更抽象喝更本質的表述，從而有利于解決特征可視化以及分類問題。另外，通過實現“逐層初始化”這一方法，實現對輸入數據的分級表達，可以有效降低神經網絡的訓練難度。目前的神經網絡在圖像識別任務中取得了十分明顯的進展，基于CNN的圖像識別技術也一直是學術界與工業界一致追捧的熱點。

三、機器人情感獲得

1.智能C器人現狀

目前智能機器人的研究還主要基于智能控制技術，通過預先定義好的機器人行動規則，編程實現復雜的自動控制，完成機器人的移動過程。而人類進行動作、行為的學習主要是通過模仿及與環境的交互。從這個意義上說，目前智能機器人還不具有類腦的多模態感知及基于感知信息的類腦自主決策能力。在運動機制方面，目前幾乎所有的智能機器人都不具備類人的外周神經系統，其靈活性和自適應性與人類運動系統還具有較大差距。

2.機器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發達的神經系統的處理下獲得情感。智能機器人在不斷的機器學習和大數據處理中，中樞處理系統不斷地自我更新、升級，便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進化歷程，也就是說，智能機器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機器人獲得情感的利弊

機器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機器人可以帶來更多人性化的服務，人機合作也可進行地更加深入，可以為人類帶來更為逼真的體驗和享受。人類或可與智能機器人攜手共創一個和諧世界。但是另一方面，在機器人獲得情感時，機器人是否能徹底貫徹人類命令及協議的擔憂也迎面而來。

4.規避機器人情感獲得的風險

規避智能機器人獲得情感的風險應預備強制措施。首先要設計完備的智能機器人情感協議，將威脅泯滅于未然。其次，應控制智能機器人的能源獲得，以限制其自主活動的能力，杜絕其建立獨立體系的可能。最后，要掌控核心武器，必要時強行停止運行、回收、甚至銷毀智能機器人。

三、總結

本文梳理了人工智能的發展歷程與核心技術，可以毋庸置疑地說，人工智能具有極其廣闊的應用前景，但也伴隨著極大的風險?；仡櫰浒l展歷程，我們有理由充分相信，在未來人工智能的技術會不斷完善，難題會被攻克。作為世界上最熱門的領域之一，在合理有效規避其風險的同時，獲得情感的智能機器人會造福人類，并極大地幫助人們的社會生活。

參考文獻

[1]韓曄彤.人工智能技術發展及應用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學報，2016，（01）：212-222.

[3]張越.人工智能綜述：讓機器像人類一樣思考

第2篇：卷積神經網絡綜述范文

關鍵詞：車牌；識別；專利；分析

引言

車牌識別技術[1-2]是指自動提取受監控區域車輛的車牌信息并進行處理的技術，其通過運用圖像處理、計算機視覺、模式識別等技術，對攝像頭捕獲的車輛照片或視頻進行分析，進而自動識別車輛的車牌號碼。車牌識別技術可應用于停車場自動收費管理、道路監控等領域，在城市交通管理中發揮了重要作用。

1 中國專利申請情況分析

以CNABS專利數據庫中的檢索結果為分析樣本，介紹車牌識別技術的中國專利申請量趨勢以及重要申請人的狀況。

1.1 第一階段（2005年及之前）

在這階段，申請量極少且申請人也極少，且針對的環境較為簡單，處于技術的萌芽階段，其中，專利CN1529276，通過車牌定位、字符分割和分類識別完成機動車牌號自動識別，其實現過程較為簡單，具體細節描述較少。

1.2 第二階段（2006年-2010年）

在這階段的申請量比上一階段有所增加，而且申請人數量相較之前也有增長，其中來自高校的申請量明顯增加，反映出了高校研究者開始更加注重對研究成果的保護，這一階段的專利所針對的環境場景更為復雜，識別準確率得到提高，對車牌定位、字符分割、字符識別等關鍵技術的研究更為深入。

1.3 第三階段（2011年及以后）

在2011年之后車牌識別技術的專利申請量呈現快速增長，這一階段車牌識別技術得到了更進一步的豐富，涉及的關鍵技術的解決途徑也呈現出多樣性，檢測效率和精度也得到進一步提高，其中，專利CN104035954A，涉及一種基于Hadoop的套牌車識別方法，將云計算應用于車牌識別，使得與傳統環境下不經過優化的方法相比具有^高的運行效率和加速比，可以有效地識別套牌車。

圖2示出了中國重要申請人分布情況，申請量分布前十的申請人包括：電子科技大學、深圳市捷順科技實業股份有限公司（捷順科技）、浙江宇視科技有限公司（宇視科技）、信幀電子技術（北京）有限公司（信幀電子）、中國科學院自動化研究所（自動化研究所）、安徽清新互聯信息科技有限公司（清新互聯）、青島海信網絡科技股份有限公司（海信網絡）、浙江工業大學、四川川大智勝軟件股份有限公司（川大智勝）、上海高德威智能交通系統有限公司（高德威智能交通），從圖2中可以看出，不同申請人的申請量差距不是很大，幾乎保持在一個比較持平的狀態。

電子科技大學在車牌識別技術的專利申請中，CN 101064011A提出一種基于小波變換的復雜背景中的車牌提取方法，可大大提高對晴天、雨天、霧天、白天及夜晚等環境的通用性和適用性，實現車牌的精確定位并提高車牌提取的準確度；CN 103455815A提出一種復雜場景下的自適應車牌字符分割方法，能快速、準確地搜索2、3字符間隔位置，實現自適應調整分割參數，使車牌字符分割穩定可靠，在復雜的環境中魯棒性強，防止噪聲干擾；CN 105005757A提出一種基于Grassmann流行的車牌字符識別方法，最大限度地利用了已獲得的車牌字符信息以及同類字符之間的相互關系，對于車牌字符的成像質量要求更低，應用于復雜的環境中具有很好的魯棒性和準確性。

2 關鍵技術分析

一個完整的車牌定位與識別系統，其前端包括圖像采集和傳輸系統，末端還需要與數據庫相連接。從定位到識別的核心算法上，主要包括圖像預處理、車牌定位、字符分割和字符識別四大部分[3]。

圖像預處理，是指通過對攝像頭捕獲的彩色圖像進行預處理。常用的預處理方法包括圖像灰度化、圖像二值化、邊緣檢測等。

車牌定位，是指在經預處理后的車輛圖像中，定位出車輛的車牌所在位置。常用的車牌定位方法包括基于紋理分析的方法、基于數學形態學的方法、基于邊緣檢測的方法、基于小波變換的方法和基于神經網絡的方法等。CN 104298976A提出一種基于卷積神經網絡的車牌檢測方法，利用卷積神經網絡完整車牌識別模型對車牌粗選區域進行篩選，獲取車牌最終候選區域。

字符分割，是指將定位出的車牌區域圖像分割成單個的字符圖像。常用的字符分割方法包括基于輪廓的方法、基于投影的方法、基于模板匹配的方法和基于連通區域的方法等。CN 104408454A提出一種基于彈性模板匹配算法的車牌字符分割方法，基于彈性模板，通過插空進行模板序列形狀的彈性調整，將車牌圖片與理想模板進行匹配，獲得全局最優匹配，確定字符位置，將分割算法作用于投影序列，實現對車牌字符的分割。

字符識別，是指對字符分割之后的單個字符圖像進行識別，進而得到車輛的車牌號碼。常用的車牌字符識別方法包括基于字符結構特征的識別方法、基于模板匹配的識別方法、基于神經網絡的識別方法、基于模糊理論的模式識別方法和基于支持向量機分類識別方法等。CN 105975968A提出一種基于Caffe框架的深度學習車牌字符識別方法，以基于Caffe架構的深度學習為基礎，解決了現有的車牌字符識別方法中對傾斜、斷裂、相近字符識別精度不高的問題，大大提高了對于車牌字符的識別精度。

3 結束語

本文以車牌識別相關專利文獻為樣本，分析統計了該技術中國專利申請現狀，并對車牌識別技術的關鍵技術進行簡單分析。在經歷了從無到有、從萌芽到飛速發展的階段之后，車牌識別技術慢慢走向成熟，越來越多的企業和高校在車牌識別的研究上投入了大量的精力，也獲得了豐碩的研究成果。

參考文獻

[1]尹旭.汽車牌照定位研究綜述[J].電腦知識與技術，2010，6（14）：3729-3730.

第3篇：卷積神經網絡綜述范文

關鍵詞：發展趨勢；研究應用；人工智能

DOI：10.16640/ki.37-1222/t.2017.07.119

0 簡介

人工智能（（Artificial Intelligence）），它是一門新的技術科學，主要用于模擬、延伸以及擴展人類的智能的方法、理論、技術以及應用系統。人工智能主要就是對人類的思維、意識的信息過程的合理化的模擬。人工智能它并不是人的智能，但是，它卻能像人那樣的思考，而且也可能會超過人類的智能。總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些復雜工作。

1 人工智能的運用現狀

目前，在很多方面人工智能有著運用，其中一個主要表現就是全球人工智能公司數量在急劇的增加，專家系統在目前來看是在人工智能各領域中最為活躍，且最為有成效的一個領域。它是一類基于知識的系統，并可以解決那些一般僅有專家才能夠解決的復雜問題。我們這樣定義專家系統：專家系統是一種具有特定領域內大量知識與經驗的程序系統，它是基于程序系統依靠人工智能技術，來模擬人類專家求解復雜問題的過程，大多情況下，專家系統的水平甚至可以超過人類專家。專家系統的基本結構圖如下圖所示：

2 人工智能的影響

人工智能對經濟的影響：人工智能的的確確會影響到社會、生活、文化的方方面面，特別是對于實體經濟將來會有巨大的影響。以后，每個行業幾乎都會產生顛覆性的變化。在人工智能的研究上，中國并不落后，將來的中國一定可以從中獲得非常大的收益。一成功的專家系統可以為它的用戶帶來很明顯的經濟效益。用比較經濟的辦法執行任務而不需要具有經驗的專家，從而極大地減少開支。專家系統深入各行各業，帶來巨大的宏觀效益，促進了IT網絡工業的發展。

人工智能對文化的影響：在人工智能原理的基礎上，人們通常情況下會應用人工智能的概念來描述他們的日常狀態和求解問題的過程。人工智能可以擴大人們知識交流的概念集合，描述我們所見所聞的方法以及描述我們信念的新方法；人工智能技術為人類的文化生活提供了巨大的便利。如圖像處理技術必將會對圖形藝術和社會教育部門等產生深遠影響。比如現有的智力游戲機將會發展成具有更高智能的一種文化娛樂手段。隨著技術的進步，這種影響會越來越明顯地表現出來。當然，還有一些影響可能是我們目前難以預測的。但可以肯定，人工智能將對人類的物質文明以及精神文明產生更大的影響。

人工智能對社會的的影響：一方面，AI為人類文化生活提供了一種新的模式?，F有的游戲將逐步發展為更高智能的交互式文化娛樂手段，今天，游戲中的人工智能應用已經深入到各大游戲制造商的開發中。另一方面，人工智能能夠代替人類進行各種腦力勞動，所以，從某種意義上來講，這將會使一部分人失去發展的機遇，甚至可能失業。由于人工智能在科技以及工程中的應用，一部分人可能會失去介入信息處理活動的機會，甚至不得已而改變自己的工作方式；人工智能還可能會威脅到人類的精神。一般人們覺得人類與機器的區別就是人類具有感知精神，但如果有一天，這些相信只有人才具有感知精神的人也開始相信機器能夠思維和創作，那他們就會感到失望，甚至于感到威脅。他們會擔心：有朝一日，智能機器的人工智能可能會超過人類的自然智能，從而使人類淪為智能機器的奴隸。

3 人工智能的發展趨勢

有機構預測，2017年人工智能投資將同比增長300%以上，在技術上將會更迅猛發展，工控自動化商城的智能語音、智能圖像、自然語言以及深度學習等技術越來越成熟，就像空氣和水一樣將會逐步地滲透到我們的日常生活。行業專家關于2017年人工智能的發展方向主要有以下幾點：（1）機器學習目前正在被應用在更復雜的任務以及更多領域中，且被更多的人作為挖掘數據的方式。無監督的學習會取得更多進展，但也存在很大的挑戰，故在這一方面離人類的能力還是差得很遠的。計算機在理解和生成自然語言方面，預計最先會在聊天機器人和其他對話系統上落地。 （2）深度學習、其他的機器學習、人工智能技術的混用，是成熟技術的典型標志。將深度學習應用到醫療領域中（醫療圖像、臨床數據、基因組數據等），各種類型數據上的研究以及成果將會大大的增加。 （3）聊天機器人和自動駕駛汽車可能會取得較大的進展，預計更多人類基準將會被打破，特別是那些基于視覺以及適合卷積神經網絡的挑戰。而非視覺特征創建和時間感知方法將會變得更加頻繁、更加富有成果。

4 結論

人工智能是人類長久以來的夢想，同時也是一門富有挑戰性的學科。盡管人工智能帶來很多問題，但當人類堅持把人工智能只用于造福人類，人工智能推動人類社會文明進步將毋庸置疑。就像所有的學科一樣，人工智能也會經歷各種挫折，但只要我們有信心、 有毅力，人工智能終將成為現實，融入到我們生活的方方面面，為我們的生活帶來更大的改變。

參考文獻：

[1]朱祝武.人工智能發展綜述[J].中國西部科技，2011，10（17）：8-10.

[2]肖斌.對人工智能發展新方向的思考[J].信息技術，2009，37（12）：166-169.