文 献 综 述
深度学习在图像识别领域的应用综述
1 引言
随着数字化社会的来临，日益增长的数据量和不断进步的计算机性能使得深度学习和神经网络等已存在几十年的“旧名词”摇身一变成为“新技术”，在学术界和科创界掀起一场学习与研究的新浪潮。在大数据时代，人们每天都在无形之中产生大量的数据。同时低成本相机在智能手机上的普及，各式各样传感器的应用，信息传输技术的发展，使得图像成为计算机日常处理的重要对象。此外，随着车载雷达技术的发展，通过各种方式得到的车载雷达图像数据越来越多，这对车载雷达图像的识别方法提出了较高的要求，因此提出将深度学习技术应用到车载雷达图像识别方向上的设想。通过对车载雷达测量的不同车辆的回波强度数据进行聚类分割，制作出每种车辆的特征数据集，构建并训练深度卷积神经网络，对各种车辆类别进行识别分类，至少实现卡车，公交车，小轿车三种车辆的分类功能，并调试优化算法，保存网络结构参数，作为智能车辆监控识别雷达系统的特征参数。结合参考文献，本文会在第二章详细介绍神经网络和深度学习的原理。第三章介绍深度学习在图像识别及分类技术上的发展[1]。第四章总结了一些深度学习在车载雷达图像识别方向上的应用前景。第五章进行总结。
2神经网络与深度学习
2.1神经网络
2.1.1单个神经元模型
神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）[2]。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重、偏置以及激励函数的不同而不同。而网络自身通常都是对某种算法或者函数的逼近[3]。如图1为单个神经元模型。
图1 单个人工神经元模型
如图所示，首先需要输入特征，参数和，通过公式 (1)可以计算出，通过激励函数可以输出估计值，然后计算损失函数。
