随着大数据与人工智能技术的快速发展,深度学习在计算机视觉领域得到了极大关注和广泛应用。本文从数学模型的角度出发,系统回顾了深度神经网络的研究历程与关键方法,介绍了基于深度卷积的数学模型、对抗生成模型以及小样本与无监督学习等领域的最新进展。最后,针对如何进一步摆脱对海量数据的依赖、提升模型的泛化能力以及增强系统的可解释性等方面展开探讨。本文旨在为相关研究人员与应用开发者提供系统的理论指导与思路借鉴。

深度学习；数学模型；计算机视觉

[1]宋宗昊, 闫伸, 等. 基于深度学习的箱式烘烤内部温湿度预测[J]. 中国烟草科学, 1-8. [2]黎清万. 深度学习视域下的信息科技项目教学三维三阶模型[J]. 计算机教育, 2024, (12): 3-6+11. [3]陈武超, 俞翔栋, 陈洪宇, 柯瑞庭, 陶建峰. 基于深度学习的机理模型与数据混合驱动的视觉转角测量方法[J]. 仪表技术与传感器, 2024, (06): 121-126. [4]李仁智. 基于深度学习的番茄成熟度识别及成熟期预测模型[D]. 云南农业大学, 2022. [5]潘敏婷, 王韫博, 朱祥明, 高思宇, 龙明盛, 杨小康. 基于无标签视频数据的深度预测学习方法综述[J]. 电子学报, 2022, 50 (04): 869-886.

DOI： https://doi.org/10.62639/sspis37.20250203

Published： 2025