苗 军,许少武,卿来云,乔元华,邹柏贤

(1.北京信息科技大学 计算机学院,网络文化与数字传播北京市重点实验室,北京 100101；2.中国科学院大学 计算机科学与技术学院,北京 100049；3.北京工业大学 数理学院,北京 100124；4.北京联合大学 应用文理学院,北京 100191)

0 引言

卷积神经网络(convolutional neural network,CNN)是LeCun[1]提出的一种特殊的神经网络。自Krizhevsky等[2]提出的AlexNet首次在ILSVRC比赛取胜以来，许多研究者开始投入到对CNN的研究中。如今CNN除了在图像方面[3-6]，还在音频[7-9]、视频[10]和语义识别方面[11-14]表现出优秀的应用效果。

但是，CNN仍未能够完美地模拟人类视觉。Szegedy等[15]向一组曾被CNN正确识别的图片中混入了噪声数据得到一组新的图片，新的图片在人眼看来与原始图片极为相似，但是使用由原图片进行训练得到的CNN模型对新的图片进行分类却有不同的结果，即在人眼看来高度相似的两张图片会被CNN识别为不同的对象。Nguyen等[16]使用进化算法将一组图片进行了变换，变换得到的新的图片在人眼看来与原图片毫无相似之处，然而CNN却会将新的图片识别为与原图相同的对象。Nguyen等[16]认为，CNN之所以会存在这样的缺陷，究其原因在于CNN在训练时只学到了中低层的特征，而没有获得描述全局图像结构的高级语义特征。

为了解决卷积结构无法直接提取图像的高级语义特征的问题，本文提出了形状编码方法。形状是能够描述全局图像结构的高层特征之一，形状编码的作用是提取原图像中的形状特征，并以特征图的形式进行表示。通过形状编码获得表征原图像形状特征的特征图后，将特征图作为学习对象交予CNN进行学习，可以使CNN直接学习到图像的形状特征而非单纯的边缘、纹理等低层特征。……