论文部分内容阅读
摘要：随着教育不断改革和发展，深度学习的理论在教学中的应用越发的广泛，互联网时代，计算机在社会发展中有着重要的影响，深度学习在计算机教学中的视觉任务有了明显的进步，给计算机的发展带来了积极的影响。在这一基础上，如何推动计算机视觉教学改革，成了教学的新方向。
关键词：深度学习;视觉教学;改革策略
虽然教育发展，但是教材的改编需要很长的时间，所以现阶段的计算机视觉教学所应用的教材主要以传统教材为主。教学实际的过程中，传统的教材和现代的研究成果并不相符，这严重影响了视觉教学的效果。本文主要以深度学习的发展趋势为背景，分析了深度学习理念在视觉教学应用的现状，以及计算机视觉教学改革的策略，希望给计算机教学的发展奠定一个良好的基础。
1.深度学习理念在计算机视觉教学中的应用现状
1.1图像分类
视觉教学的过程中，物体识别和图像分类是基本任务，关于物体的识别，传统的方法主要以显著特征的辨别为主，这样的识别方法会受到数量的限制。人工特征的区分成为了图像分离的困扰，也是瓶颈问题。应用深度学习理论，将早期的物体识别错误率降低了30%，这一数据的出现，让系统的识别能力接近了人类的图形分类能力。
1.2物体检测
物体检测的过程相对比较复杂，所以物体检测是视觉教学中难度系数比较高的任务。检测目标主要是对视频图形中感兴趣的物体进行定位，但是定位的过程中，会受到很多因素的影响，背景、光照的變化、物体的旋转角度、挡光和物体的尺寸变化等，都会影响检测的结果。物体检测的传统方式采用的是滑动窗口和依靠人工热证，这样的检测方法会受到人工特征的局限。深度学习理论的出现，为物体检测提供了新的途径，从2012年至今，各种新型的检测模型不断发展，且完成检测目标的性能十分突出[1]。
1.3图像分割
关于图像分割，在视觉教学中属于底层问题，主要目的是为了区分物体所在区域。不同的物体所在的区域是不同的，需要图像分割去区分。根据图形分割的精细度，可以将其分为三个种类，分别是语义分割、实例分割和全景分割。深度学习理论的应用，主要体现在语义分割中，利用网络结构，可以提取物体所再去区域的像素特征和语义信息，通过分类器进行分类。
2.深度学习趋势下计算机视觉教学改革的策略
2.1引入深度学习的基础理论
要推动视觉教学改革，首先要将深度学习的基础理论引用到教学的过程中。关于深度学习的基础理论，主要包含三点，分别是深度网络基础模型，网络训练与优化、网络模型构建框架等。教学的过程中，教师要注重基础网络模型的应用，其中的循环网络、生成对抗网络、基本概念的运算都是教学的重点内容。网络深度的训练和浅层次的网络训练相比较，对于数据和方法的要求都更高，如果数据设置不当，会引起模型的失败，所以教学的过程中，教师一定要注意基础理论的引入，这样可以促进视觉教学的改革和发展[2]。
2.2深度学习和计算机视觉教学任务的融合
视觉教学的过程中，将深度学习和教学任务进行融合，可以从根本上促进视觉教学的改革。要做到这一点，需要从两个方面入手。一个方面是教学内容的创新，另一方面便是深度学习理论的融入。现阶段的教学过程中，理论主要以人工特征和分类器为中心，对教学的内容进行适当的压缩，压缩的内容包含多种，其中比较典型的便是图像处理中的点操作算子、金字塔与小波;图形分割中的活动轮廓、基于区域的分割;还有物体检测的harris角点，这些都是教学中可压缩的内容。在压缩内容教学的过程中，可以将知识理论进行保留，将算法实现的过程进行压缩。要加强深度学习和视觉教学融合，要以深度网络模型为教学的基础，将深度学习作为视觉教学任务的解决方案，对数据的构建选择合理的训练方法，这样可以更好的解决视觉教学任务，也能促进两者的融合，从而推动教学的改革[3]。
2.3实验设计
教学的过程中，要应用深度学习理论，必须要加强对深度网络模型的理解，并掌握模型的应用方法，要做到这一点，可以采用实验设计的方法。具体体现在一下几点。首先，对数据进行处理。实验的过程中，数据的处理非常重要，需要完成数据的集分、数值的归一、图形尺寸的调整等。除此之外，还有数据的增强任务，这都是数据处理中不可缺少的部分。只有做好数据处理，才能避免模型训练中出现拟合问题。其次，模型构建。应用模型的过程中，模型的构建是关节环节，整个过程中要确定模型的结构，实验中需要涉及到多种参数，比较典型的便是卷积层的层数、各个卷积层神经元的数量等，这些都是模型构建中不可缺少的参数。模型构建的过程中，对于全卷积网络的前半部分，可以采用多种经典网络结构，后半部分可以采用反卷积的方法。然后，损失函数设计。损失函数主要用于模型预测值和真实值相符程度的评价，所以说损失函数设计的好坏，可以直接影响模型的功能。最后，模型训练，实验设计的过程中，对深度网络模型的训练，是实验设计中最难的部分，如果训练的方法不正确，会引发梯度爆炸，所以实验训练的过程中，可以设定不同的参数，这样可以观察训练的效果。实验设计的过程中，除了模型应用之外，还可以对实验的设计进行对比，这样可以促进深度学习理论和视觉教学的交融，从而推动计算机视觉教学的进步[4]。
3.结语
综上所述，深度学习理论在计算机视觉教学中的应用越发的广泛，在现阶段的教学中还存在一些问题，推动视觉教学的改革，可以加强深度学习在教学中的应用价值，从而推动计算机视觉教学的发展。
参考文献：
[1]陈川，陈柘，丁双惠.深度学习发展形势下计算机视觉教学内容革新[J].计算机与现代化，2020，298（06）：111-117.
[2]孙碧莹，董洪伟.深度学习与中学教学的对比与思考[J].黑龙江教育（中学），2019，1277（04）：38-40.
[3]高玉双.深度学习在计算机视觉领域的应用发展探究[J].电脑编程技巧与维护，2020，423（09）：127-129.
[4]刘哲.深度学习与传统计算机视觉技术的对比分析[J].数字化用户，2019，025（009）：181.
作者简介：吴向阳（1975.11-），男，浙江杭州，汉，博士，研究方向：数据可视化，计算机图形学。
（杭州电子科技大学计算机学院 310018）
关键词：深度学习;视觉教学;改革策略
虽然教育发展，但是教材的改编需要很长的时间，所以现阶段的计算机视觉教学所应用的教材主要以传统教材为主。教学实际的过程中，传统的教材和现代的研究成果并不相符，这严重影响了视觉教学的效果。本文主要以深度学习的发展趋势为背景，分析了深度学习理念在视觉教学应用的现状，以及计算机视觉教学改革的策略，希望给计算机教学的发展奠定一个良好的基础。
1.深度学习理念在计算机视觉教学中的应用现状
1.1图像分类
视觉教学的过程中，物体识别和图像分类是基本任务，关于物体的识别，传统的方法主要以显著特征的辨别为主，这样的识别方法会受到数量的限制。人工特征的区分成为了图像分离的困扰，也是瓶颈问题。应用深度学习理论，将早期的物体识别错误率降低了30%，这一数据的出现，让系统的识别能力接近了人类的图形分类能力。
1.2物体检测
物体检测的过程相对比较复杂，所以物体检测是视觉教学中难度系数比较高的任务。检测目标主要是对视频图形中感兴趣的物体进行定位，但是定位的过程中，会受到很多因素的影响，背景、光照的變化、物体的旋转角度、挡光和物体的尺寸变化等，都会影响检测的结果。物体检测的传统方式采用的是滑动窗口和依靠人工热证，这样的检测方法会受到人工特征的局限。深度学习理论的出现，为物体检测提供了新的途径，从2012年至今，各种新型的检测模型不断发展，且完成检测目标的性能十分突出[1]。
1.3图像分割
关于图像分割，在视觉教学中属于底层问题，主要目的是为了区分物体所在区域。不同的物体所在的区域是不同的，需要图像分割去区分。根据图形分割的精细度，可以将其分为三个种类，分别是语义分割、实例分割和全景分割。深度学习理论的应用，主要体现在语义分割中，利用网络结构，可以提取物体所再去区域的像素特征和语义信息，通过分类器进行分类。
2.深度学习趋势下计算机视觉教学改革的策略
2.1引入深度学习的基础理论
要推动视觉教学改革，首先要将深度学习的基础理论引用到教学的过程中。关于深度学习的基础理论，主要包含三点，分别是深度网络基础模型，网络训练与优化、网络模型构建框架等。教学的过程中，教师要注重基础网络模型的应用，其中的循环网络、生成对抗网络、基本概念的运算都是教学的重点内容。网络深度的训练和浅层次的网络训练相比较，对于数据和方法的要求都更高，如果数据设置不当，会引起模型的失败，所以教学的过程中，教师一定要注意基础理论的引入，这样可以促进视觉教学的改革和发展[2]。
2.2深度学习和计算机视觉教学任务的融合
视觉教学的过程中，将深度学习和教学任务进行融合，可以从根本上促进视觉教学的改革。要做到这一点，需要从两个方面入手。一个方面是教学内容的创新，另一方面便是深度学习理论的融入。现阶段的教学过程中，理论主要以人工特征和分类器为中心，对教学的内容进行适当的压缩，压缩的内容包含多种，其中比较典型的便是图像处理中的点操作算子、金字塔与小波;图形分割中的活动轮廓、基于区域的分割;还有物体检测的harris角点，这些都是教学中可压缩的内容。在压缩内容教学的过程中，可以将知识理论进行保留，将算法实现的过程进行压缩。要加强深度学习和视觉教学融合，要以深度网络模型为教学的基础，将深度学习作为视觉教学任务的解决方案，对数据的构建选择合理的训练方法，这样可以更好的解决视觉教学任务，也能促进两者的融合，从而推动教学的改革[3]。
2.3实验设计
教学的过程中，要应用深度学习理论，必须要加强对深度网络模型的理解，并掌握模型的应用方法，要做到这一点，可以采用实验设计的方法。具体体现在一下几点。首先，对数据进行处理。实验的过程中，数据的处理非常重要，需要完成数据的集分、数值的归一、图形尺寸的调整等。除此之外，还有数据的增强任务，这都是数据处理中不可缺少的部分。只有做好数据处理，才能避免模型训练中出现拟合问题。其次，模型构建。应用模型的过程中，模型的构建是关节环节，整个过程中要确定模型的结构，实验中需要涉及到多种参数，比较典型的便是卷积层的层数、各个卷积层神经元的数量等，这些都是模型构建中不可缺少的参数。模型构建的过程中，对于全卷积网络的前半部分，可以采用多种经典网络结构，后半部分可以采用反卷积的方法。然后，损失函数设计。损失函数主要用于模型预测值和真实值相符程度的评价，所以说损失函数设计的好坏，可以直接影响模型的功能。最后，模型训练，实验设计的过程中，对深度网络模型的训练，是实验设计中最难的部分，如果训练的方法不正确，会引发梯度爆炸，所以实验训练的过程中，可以设定不同的参数，这样可以观察训练的效果。实验设计的过程中，除了模型应用之外，还可以对实验的设计进行对比，这样可以促进深度学习理论和视觉教学的交融，从而推动计算机视觉教学的进步[4]。
3.结语
综上所述，深度学习理论在计算机视觉教学中的应用越发的广泛，在现阶段的教学中还存在一些问题，推动视觉教学的改革，可以加强深度学习在教学中的应用价值，从而推动计算机视觉教学的发展。
参考文献：
[1]陈川，陈柘，丁双惠.深度学习发展形势下计算机视觉教学内容革新[J].计算机与现代化，2020，298（06）：111-117.
[2]孙碧莹，董洪伟.深度学习与中学教学的对比与思考[J].黑龙江教育（中学），2019，1277（04）：38-40.
[3]高玉双.深度学习在计算机视觉领域的应用发展探究[J].电脑编程技巧与维护，2020，423（09）：127-129.
[4]刘哲.深度学习与传统计算机视觉技术的对比分析[J].数字化用户，2019，025（009）：181.
作者简介：吴向阳（1975.11-），男，浙江杭州，汉，博士，研究方向：数据可视化，计算机图形学。
（杭州电子科技大学计算机学院 310018）