澳門訊 9月9日，本報記者從澳門理工學(xué)院獲悉，澳門理工學(xué)院機(jī)器翻譯暨人工智能應(yīng)用技術(shù)教育部工程研究中心的研究團(tuán)隊探究串聯(lián)式神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其對影像特征的提取方法，開發(fā)以多個分類器接入神經(jīng)網(wǎng)絡(luò)，以提取影像在各神經(jīng)網(wǎng)絡(luò)層中的形態(tài)及特征，并把分類器的結(jié)果通過研發(fā)出的標(biāo)準(zhǔn)化算法組合后，為最終預(yù)測作精確識別。是次研究由博士研究生陳家豪、教授嚴(yán)肇基及副教授柯韋負(fù)責(zé)，有效應(yīng)用于日常生活中識別及分類影像物件，并能顯著提升其準(zhǔn)確性和穩(wěn)定性。該科研成果已于國際著名人工智能期刊《Neural Computing and Applications》中發(fā)表。

智能網(wǎng)絡(luò)對于影像分析的應(yīng)用主要是以卷積層作為核心，由于卷積層能有效提取影像的特征，因此大多數(shù)應(yīng)用都是通過堆迭大量的卷積層以覆蓋整體的特征識別，并透過圖像特征來區(qū)分目標(biāo)的類別。但卷積算法不能兼顧目標(biāo)整體的形態(tài)，在經(jīng)常多次的卷積層后，目標(biāo)的整體訊息會大量流失或被忽略從而影響準(zhǔn)確度。目前一般的方法是把卷積前的訊息傳遞到最終分類器作為識別參考，但這樣會增加最終分類器的工作量及分薄其神經(jīng)元資源和性能。尤其對高解像度的輸入源作識別時，則需要更大量的卷積層，整體訊息的缺失會變得十分嚴(yán)重，同時機(jī)器訓(xùn)練的過程和結(jié)果的準(zhǔn)確性變得不穩(wěn)定。澳門理工學(xué)院研究團(tuán)隊利用多個分類器對各卷積層作特征分析，位于較前的分類器能獲得影像的形態(tài)訊息，較后的分類器則能針對影像的局部特征作識別，并以多個分類器對當(dāng)前位置作參考識別，這樣能有效緩減最終分類時的壓力。為了能有效地總結(jié)各個分類器的資訊，經(jīng)研究和測試后，團(tuán)隊研發(fā)出標(biāo)準(zhǔn)化方式來組合各分類器的訊息。針對使用多個分類器所需的大量機(jī)器訓(xùn)練運算時間，研發(fā)團(tuán)隊之標(biāo)準(zhǔn)化方法能有效減少各模型的運算時間，同時研究也論述和證明了其運算加速的方法有效。

在研究實驗中，使用多分類器機(jī)器學(xué)習(xí)結(jié)果都有顯著提高，其中對于分類目標(biāo)繁多的數(shù)據(jù)源測試中，改進(jìn)程度更為突出，同時發(fā)現(xiàn)所研發(fā)出的標(biāo)準(zhǔn)化方法能為影像識別帶來更為精準(zhǔn)的預(yù)測。

（《中國基建報》記者 區(qū)明玥 澳門報道）