图像识别中的深度学习

现阶段比较受欢迎的图像识别基础算法为深度学习法，深度学习模型属于神经网络，而神经网络的历史可追溯至上世纪四十年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的激励，解决各种机器学习的问题。1986年Rumelhart、Hinton和Williams在《自然》发表了著名的反向传播算法用于训练神经网络，直到今天仍被广泛应用。

但是后来由于种种原因，大多数学者在相当长的一段时间内放弃了神经网络，转而采用诸如支持向量机、Boosting、最近邻等分类器。这些分类器可以用具有一个或两个隐含层的神经网络模拟，因此被称作浅层机器学习模型。它们不再模拟大脑的认知机理；相反，针对不同的任务设计不同的系统，并采用不同的手工设计的特征，例如语音识别采用高斯混合模型和隐马尔可夫模型，物体识别采用SIFT特征，人脸识别采用LBP特征，行人检测采用HOG特征。

深度学习在计算机视觉领域最具影响力的突破发生在2012年，Hinton的研究小组采用深度学习赢得了ImageNet图像分类的比赛。ImageNet是当今计算机视觉领域最具影响力的比赛之一，它的训练和测试样本都来自于互联网图片，训练样本超过百万，任务是将测试样本分成1000类。自2009年，包括工业界在内的很多计算机视觉小组都参加了每年一度的比赛，各个小组的方法逐渐趋同；2012年，排名2到4位的小组都采用的传统模拟识别方法，他们准确率的差别不超过1%，而首次参赛的Hinton研究小组采用的是深度学习的方法，且准确率超出第二名10%以上。这个结果在计算机视觉领域产生了极大的震动，掀起了深度学习的热潮。

与传统模式识别相比，深度学习最大的不同在于它是从大数据中自动学习特征，而非采用手工设计的特征模型。在过去几十年模式识别的各种应用中，手工设计的特征处于统治地位，它主要依靠设计者的经验知识，很难利用大数据的优势；由于依赖手工调整参数，特征的设计中只允许出现少量参数。深度学习的优势则显而易见——大数据中可以包含成千上万的参数，用来训练深度学习的数据越多，深度学习算法的鲁棒性、泛化能力就越强。

目前，深度学习算法的训练数据普遍都是几十万、上百万级，像一些互联网行业的IT巨头们，他们的训练数据会是上千万、甚至上亿级别，这也是国外如Google、Facebook、Microsoft等，国内如百度、腾讯等IT巨头在深度学习算法的应用效果上有着一定优势的原因。但IT企业与安防企业所用的训练数据不同，IT巨头拥有的是互联网，安防企业拥有的则是安防大数据。二者图像识别技术的关注点也有不同，IT巨头的人脸识别技术是服务于他们的商业目标，比如图像检索、身份认证、无人驾驶等，而安防企业主要关注的是人脸识别技术在公共安全领域的应用。