李永盛，何佳洲，刘义海，赵国清

(江苏自动化研究所，江苏 连云港 222061)

0 引 言

近些年来，关于图像处理技术[1]研究成为计算机应用的热点方向之一，其在军事、医疗、交通等领域有广阔的应用前景。传统的机器学习需要根据人的专业知识去设计复杂的特征提取器，并且不同的识别目标对应的目标提取特征也往往不同，在实际应用中鲁棒性差以及泛化能力弱。Hinton等[2]人在2006年首次提出深度学习，采用了多层次神经网络结构去训练样本数据。由于深度学习[3]不需要人工设计特征，它是依据大量的数据样本，通过神经网络反复迭代训练得到物体的特征，其特征模型的泛化能力更强，对物体的识别效果也更佳。2009年LEE等人[4]首次使用深度学习网络技术处理音频数据，在不同的音频分类任务上面进行实验，取得了良好的表现。DESELAERS等人[5]基于深度学习网络处理语音翻译，大大提高了音译效果。GLOROT等人[6]利用深度学习方法，在情感分析中实验结果优于其他已有的方法。2011年RANZATO等人[7]在识别人脸图像中使用深度学习网络，可以较好地处理图像中的遮挡问题。LEE等人[8]提出了一种无监督学习模型，由于其良好的稀疏性，可以获取更多的图像特征。TAYLOR等人[9]提出了一种人类运动数据的非线性生成模型，该模型利用深度学习网络进行训练，能够较好地对运动捕捉期间丢失的数据进行补充。

通过多年研究表明，样本数量的多少直接影响着模型识别效果。当数据集较少时，训练得到模型容易出现过拟合现象，导致测试性能降低。……