深度学习在可视化中的应用

深度学习在可视化中的应用ApplicationofDeepLearninginVisualizationLIUZHONG-KAIClass:ElectronicandInformationEngineering13-2classNumber:2013211766摘要：深度学习的概念源于人工神经网络的研究，它是机器学习的一种，是机器学习的二次浪潮。可视化技术作为一种先进的图形处理、建模手段，在城市规划、观测生物生长等领域有非常重要的作用。本文介绍深度学习的机理、可视化的概念以及深度学习在可视化处理中的应用和一般的模型的阐述。关键字：深度学习，可视化应用，城市规划，图像分类，汽车颜色识别，运动目标识别Abstract:Deeplearning'sconceptfromthestudyofartificialneuralnetwork,whichisamachinelearning,isthetwowaveofmachinelearning.Visualizationtechnology,asanadvancedgraphicsprocessingandmodelingmethod,hasaveryimportantroleinthefieldofurbanplanningandobservation.Thispaperintroducesthemechanismofdeeplearning,theconceptofvisualizationandtheapplicationofdeeplearninginvisualprocessingandthegeneralmodelofthepaper.KeyWord:DeepLearning,VisualizationApplication,ImageClassification,VehicleColorRecognition,Urbanplanning，MovingObjectRecognition深度学习于2006年，由加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton和他的学生RussianSalakhutdinov提出。开启了深度学习在学术界和工业界的浪潮。深度学习是机器学习研究中的一个新的领域，也是机器学习的重要方法之一，其动机在于建立、模拟人脑进行分析学习的神经网络来促进机器学习，它模仿人脑的机制来分析、处理、筛选数据，例如图像、声音、视频和感知等。深度学习作为无监督学习的一种。其概念源于人工神经网络(neuralnetwork)的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，从而根据这些特征来促使机器来达到一定的目的。可视化（Visualization）是利用计算机图形学和图像处理技术，将数据转换成3D图形或图像在屏幕上显示出来，并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。目前正在飞度发展的虚拟现实技术也是以图形图像的可视化技术为依托的。如今计算机科学技术的高速发展，为可视化的发展提供给了良好的发展环境，促进了可视化理论、方法、技术的空前大发展，可视化处理日益成熟。其在模拟世界研究、宇宙研究、3D城市规划建模以及生物食品研究，药物分子研究、基因组学研究等方面发挥着越来越重要的作用。深度学习的基本原理是根据人脑神经元网络深层次对外界信息琢层处理机制来获得信息做出判断、决策。例如从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只西瓜）。这个生理学的发现，促成了计算机人工智能，在四十年后的突破性发展。人的视觉系统的信息处理是分级的。从低级的1区提取边缘特征，再到2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。利用人脑处理信息的这一原理，可以对机器进行深度学习训练，从而达到人脑的所具备的或者说类似人脑来处理一些数据、信息。尤其是在数据量比较大，信息处理比较繁琐，需要投入大量的人力物力的时候，深度学习来培训机器学习显得尤为重要。例如特征脸的识别技术，照片筛选，天气预报数据处理，自然语言处理等。深度学习在可视化中的应用比如3D城市规划。城市是GIS的运用和研究领域的一个重要方面，3D城市模型是许多领域迫切需要的，以被广泛应用于城市规划，建筑设计，无线通信，经济发展规划等众多方面。在3D城市建模中包括许多类物体如：道路、建筑物、公园、地形、供电、供水网络等。其中3D建模城市规划又分为经济开发区，商业区，居名区，市政府单位行政区域，人民公园，旅游区等。随着现代城市的发展，城市的建筑物在功能，结构及形状上发生了很大的变化。从单一功能向多功能，从小型到大，从简单到负责的结构发展。具体表现为同一建筑的不同层在几何形状和功能上存在很大差别。为了准确描述建筑物的不同层结构以便为进一步的空间分析和操作打下基础。本文提出了一种分层组合模型用于构造3D城市模型中的建筑物。对城市的建筑物按功能或形状进行分层。每一层尤其的属性和特性信息。建筑物的空间数据的存贮量与其空间复杂程度有很大的联系。因此我们可以利用深度学习中的场景识别技术来构造3D城市模型。场景识别是计算机视觉领域中的一个重要问题，因为它有助于缩小计算机与人类对场景理解的差距。语义建模是一种对加强技术用于填充场景识别的语义鸿沟。然而，大多数的语义建模方法学习浅，一层表示的场景识别，而忽略了其他电子结构信息相关的图像，往往导致性能不佳。建立自己的视觉体系后，因为它的目的是继承人的判断，一个流形正则化深层建筑提出了现场识别。所提出的深层结构利用数据的结构信息，使可见层和隐藏层之间的映射。到了提出的方法，一个深层的架构可以被设计为学习高层次的功能，在无监督的方式场景识别。通过场景识别技术我们可以对其他城市的规划进行分析处理，让机器不断去分析其他城市规划的信息。采用深度学习办法，使计算机对城市规划有一定的了解。从而在人类给出城市规划的要求之后，计算机能够根据先前学习的城市规划信息，创建一个满足人类要求的新的3D城市规划模型。不仅在3D城市规划中可以利用深度学习来解决这个问题。在其它的可视化任务处理中，深度学习也发挥着非常重要的作用。比如汽车颜色识别。汽车颜色有好几种，一般为RGB图形。我们可以利用深度学习的方法来识别汽车的颜色。颜色，作为一个显着的和稳定的属性的车辆，可以作为一个有用的和可靠的线索，在智能交通系统中的各种应用。因此，车辆颜色识别自然场景已经成为该领域的重要研究课题。在本文中，我们提出了一个基于深度学习的自动车辆颜色识别算法。不同于传统的方法ODS，通常采用手工设计的功能，该算法能够自适应地获悉车辆颜色识别的任务是更有效的表达，从而导致识别精度高，避免了预处理。此外，我们结合了广泛使用的空间传销策略与原来的卷积神经网络的体系结构，进一步提高了电子识别精度。以我们所知，这是第一部作品，采用深度学习的背景下，车辆颜色识别。图像分类是将图像分到预先设定的不同类别中。尽管对人类来说，这并非难事，但对于计算机而言，却是极其困难的。主要原因有两个：一是图像里充满了大量复杂多样而且那难以描述的对象；二是图像的物理表达与人民所熟识的概念性信息之间的差距巨大。图像分类能够帮助人们在进行某些特征和需求对图像库进行查找和搜索是提高效率。颜色特征直方图是一种重要的图像特征，能够有效的表达图像的全局特征，在图像检索时被广泛的使用。通过利用深度学习的图像分类技术可以将汽车颜色进行分类，识别汽车主要颜色。利用这种技术方便人类的生存，社会的进步。运动目标检测是计算机视觉中的一个重要且具有挑战性的课题，通常需要对其进行场景分析，这通常需要两种鲁棒的特征描述和有效的统计模型。在一般情况下，传统的检测方法，利用预先定义的手工制作的功能和复杂的背景模型的场景分析。因此，他们通常有具有不同的时空运动信息适应不同场景的泛化能力。在面对高清视频数据时，复杂的统计建模往往是从昂贵的计算和存储成本。因为在评价和并行效率低。为了解决这个问题，我们提出了一个基于深度学习的块明智的场景分析方法，配备了一个二进制的时空场景模型。基于叠加去噪自编码，所提出的方法的深入学习模块以学会有效深层形象代表表示编码的内在场景信息，导致特征描述的鲁棒性。此外，所提出的二进制场景模型捕捉的时空场景分布在空间中的信息，保证了运动目标检测的高效性。目前正在发展的虚拟现实技术，它能使人们进入一个三维的、多媒体的虚拟世界，人们可以游历远古时代的城堡,也可以遨游浩翰的太空。所有这些都依赖于计算机图形学、计算机可视化技术的发展。虚拟现实技术将一种复杂和抽象的数据以非量化的、直观的形式呈现给用户，使用户以最自然的方式实现与用户的交互技术，复杂场景的可视化仿真是虚拟现实的重要领域，其目的在于场景的实时生成并显示。如今深度学习技术和可视化的快速发展，促进了科技的进步，促进了社会的发展。深度学习的发展同时也促进了可视化的发展。参考文献：1.作者：杨必胜、李清泉、梅宝燕论文名字：3维城市模型的可视化研究[期刊论文]期刊名字：测绘学报出版时间：2000卷：29第2期2.论文名字：机器学习——深度学习(DeepLearning)期刊名字：CSDN出版时间:201301-162.作者：Yuan,Y(Yuan,Yuan)、Mou,LC(Mou,Lichao)、u,XQ(Lu,Xiaoqiang)期刊名字：IEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS出版时间：OCT2015卷：263.作者：JFZhai,CCenter论文名字：ApplicationofDeepLearninginNLP期刊名字：ComputerProgrammingSkills&Maintenance出版时间：20134.作者:XUQing论文名字：ResearchonVisualizationof3DTerrain出版时间：19955.作者:YannLeCun,YoshuaBengio&GeoffreyHinton论文名字：Deeplearning期刊名字：Nature出版时间：2015,5,286.作者：Farabet,C.,Couprie,C.,Najman,L.&LeCun,Y.论文名字：Learninghierarchicalfeaturesforscenelabeling.期刊名字：IEEETrans.出版时间：20137.作者：Chan,TH(Chan,Tsung-Han)[1];Jia,K(Jia,Kui)[2];Gao,SH(Gao,Shenghua)[3];Lu,JW(Lu,Jiwen);Zeng,ZN(Zeng,Zinan)[5];Ma,Y(Ma,Yi)[3,6]论文名字：ASimpleDeepLearningBaselineforImageClassification?期刊名字：IEEETRANSACTIONSONIMAGEPROCESSING出版时间：DEC2015卷：24期8.作者：Yuan,Y(Yuan,Yuan)[1];Mou,LC(Mou,Lichao)[1];Lu,XQ(Lu,Xiaoqiang)[1]论文名字：SceneRecognitionbyManifoldRegularizedDeepLearningArchitecture期刊名字：IEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS出版时间：OCT2015卷：26期