1.目的及意义

1.1目的及意义：

图像识别是人工智能领域的一个重要方向。经过多年的研究，图像识别技术取得了一定的研究进展。图像识别主要包含特征提取和分类识别，而其中的特征提取是图像识别技术发展的瓶颈问题，直接决定着识别性能的好坏。传统提取的特征主要分为全局特征和局部特征，但是这些特征都是图像底层的视觉特征，并且需要具备一定专业知识人员进行特征的设计与选择，这种人工设计的特征需要经过大量的验证后才能证明其对某一种识别任务的有效性，这也在一定程度上限制了图像识别技术的应用。

近年来，随着大数据时代的来临和计算资源越来越便宜，深度学习技术不断取得进展。它是一种以数据为驱动，从图像识别任务中的大量数据来自动学习特征。从统计的角度看，深度学习特别适合处理大数据，其用较为复杂的模型降低模型偏差，用大数据提升统计估计的准确度，用可扩展的梯度下降算法求解大规模优化问题。这个大数据是除了数量上的大，还有更重要的是维度的大。深度学习不是一个黑箱系统。它像概率模型一样，提供一套丰富的、基于联接主义的建模语言。利用这套语言系统，我们可以表达数据内在的丰富关系和结构。深度学习几乎是唯一的端到端的学习系统，它直接作用于原始数据，自动逐层进行特征学习，整个过程直接优化目标函数。