Python深度学习从原理到应用

第5章　图像识别

视觉可能是人类最重要的感觉。人类依靠视觉来识别食物、逃离危险、识别朋友和家人，并在熟悉的环境中找到自己的路。事实上，读者要依靠视觉来阅读本书并识别书中的每一个文字和符号。然而，图像识别却一直是计算机科学中最困难的问题之一。教计算机如何通过编程来识别不同对象是一件非常困难的事情，因为很难向计算机解释什么特征会构成一个指定对象。然而，在深度学习中，神经网络会自己学习（正如在前面所看到的），也就是说，它会学习构成每个对象的特征，因此非常适合执行诸如图像识别这样的任务。

本章涵盖以下主题：人工模型和生物模型之间的相似性、CNN的直观认识与合理性、卷积层、池化层、dropout层以及深度学习中的卷积层。

5.1　人工模型与生物模型的相似性

人类的视觉是一个复杂且高度结构化的过程。视觉系统通过视网膜、丘脑、视觉皮层和下颞叶皮层来分层地理解现实。对视网膜的输入是一个二维矩阵的颜色强度，其通过视神经被发送到丘脑。丘脑接收来自所有感官（除嗅觉系统以外）的感觉信息，然后将从视网膜收集到的视觉信息转发到初级视觉皮层，即纹状体皮层（V1区域），后者会提取线条和运动方向等基本信息。接着，信息会移动到负责不同照明条件下颜色解释和颜色恒定性的V2区域，然后会移动到改善颜色和形状感知的V3和V4区域。最后，信息会进入下颞叶（Inferior Temporal，IT）皮层，来实现目标和人脸识别（实际上，IT区域还被进一步细分为3个子区域：后IT、中央IT和前IT）的目标。因此，很显然，大脑通过在不同层次上处理信息来处理视觉信息。然后，大脑似乎通过在不同层次上创建简单抽象现实表示来运行，随后把这些表示重新组合在一起（见由J DiCarlo、D Zoccolan和N Rust合著的How Does ...