深度学习的研究

深

姓名：班级：学号：学院：机械工程学院21321 231321 564564度 学 习 的 研 究

深度学习的发展历史

在解释深度学习之前，我们需要了解什么是机器学习。机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。从1980年代末期以来，机器学习的发展大致经历了两次浪潮：浅层学习（Shallow Learning）和深度学习（Deep Learning）。需要指出是，机器学习历史阶段的划分是一个仁者见仁，智者见智的事情，从不同的维度来看会得到不同的结论。这里我们是从机器学习模型的层次结构来看的。 第一次浪潮：浅层学习

1980年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显示出优越性。这个时候的人工神经网络，虽然也被称作多层感知机（Multi-layer Perceptron），但实际上是一种只含有一层隐层节点的浅层模型。

90年代，各种各样的浅层机器学习模型相继被提出，比如支撑向量机（SVM，Support Vector Machines）、Boosting、最大熵方法（例如LR，Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型在无论是理论分析还是应用都获得了巨大的成功。相比较之下，由于理论分析的难度，加上训练方法需要很多经验和技巧，所以这个时期浅层人工神经网络反而相对较为沉寂。

2000年以来互联网的高速发展，对大数据的智能化分析和预测提出了巨大需求，浅层学习模型在互联网应用上获得了巨大成功。最成功的应用包括搜索广告系统（比如Google的AdWords、百度的凤巢系统）的广告点击率CTR预估、网页搜索排序（例如Yahoo!和微软的搜索引擎）、垃圾邮件过滤系统、基于内容的推荐系统等。

第二次浪潮：深度学习

2006年，加拿大多伦多大学教授、机器学习领域泰斗——Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要的信息：1.很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2.深度神经网络在训练上的难度，可以通过“逐层初始化”（Layer-wise Pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。

自2006年以来，深度学习在学术界持续升温。斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇。2010年，美国国防部DARPA计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和NEC美国研究院。支持深度学习的一个重要依据，就是脑神经系统的确具有丰富的层次结构。一个最著名的例子就是Hubel-Wiesel模型，由于揭示了视觉神经的机理而曾获得诺贝尔医学与生理学奖。除了仿生学的角度，目前深度学习的理论研究还基本处于起步阶段，但在应用领域已显现出巨大能量。2011年以来，微软研究院和Google的语音识别研究人员先后采用DNN技术降低语音识别错误率20％~30％，是语音识别领域十多年来最大的突破性进展。2012年，DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26％降低到15％。在这一年，DNN还被应用于制药公司的Druge Activity预测问题，并获得世界最好成绩，这一重要成果被《纽约时报》报道。

正如文章开头所描述的，今天Google、微软、百度等知名的拥有大数据的高科技公司争相投入资源，占领深度学习的技术制高点，正是因为它们都看到了在大数据时代，更加复杂且更加强大的深度模型能深刻揭示海量数据里所承载的复杂而丰富的信息，并对未来或未知事件做更精准的预测。

大数据与深度学习

在工业界一直有个很流行的观点：在大数据条件下，简单的机器学习模型会比复杂模型更加有效。例如，在很多的大数据应用中，最简单的线性模型得到大量使用。而最近深度学习的惊人进展，促使我们也许到了要重新思考这个观点的时候。简而言之，在大数据情况下，也许只有比较复杂的模型，或者说表达能力

强的模型，才能充分发掘海量数据中蕴藏的丰富信息。运用更强大的深度模型，也许我们能从大数据中发掘出更多有价值的信息和知识。

为了理解为什么大数据需要深度模型，先举一个例子。语音识别已经是一个大数据的机器学习问题，在其声学建模部分，通常面临的是十亿到千亿级别的训练样本。在Google的一个语音识别实验中，发现训练后的DNN对训练样本和测试样本的预测误差基本相当。这是非常违反常识的，因为通常模型在训练样本上的预测误差会显著小于测试样本。因此，只有一个解释，就是由于大数据里含有丰富的信息维度，即便是DNN这样的高容量复杂模型也是处于欠拟合的状态，更不必说传统的GMM声学模型了。所以从这个例子中我们看出，大数据需要深度学习。

浅层模型有一个重要特点，就是假设靠人工经验来抽取样本的特征，而强调模型主要是负责分类或预测。在模型的运用不出差错的前提下（如假设互联网公司聘请的是机器学习的专家），特征的好坏就成为整个系统性能的瓶颈。因此，通常一个开发团队中更多的人力是投入到发掘更好的特征上去的。要发现一个好的特征，就要求开发人员对待解决的问题要有很深入的理解。而达到这个程度，往往需要反复地摸索，甚至是数年磨一剑。因此，人工设计样本特征，不是一个可扩展的途径。

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。所以“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：

1.强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2.明确突出了特征学习的重要性，也就是说，同过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，使分类或预测更加容易。

与人工规则构造特征的方法相比，利用大数据来学习特征，更能刻画数据丰富的内在信息。所以，在未来的几年里，我们将看到越来越多的例子：深度模型应用于大数据，而不是浅层的线性模型。

深度学习的方法

深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立

的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。

采用分层结构，系统包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic回归模型；采用逐层训练机制。采用该机制的原因在于如果采用BP机制，对于一个deep network（7层以上），残差传播到最前面的层将变得很小，出现所谓的gradient diffusion（梯度扩散）。

第一步：采用自下而上的无监督学习

1）逐层构建单层神经元。2）每层采用wake-sleep算法进行调优。每次仅调整一层，逐层调整。这个过程可以看作是一个feature learning的过程，是和传统神经网络区别最大的部分。

wake-sleep算法:1）wake阶段：认知过程，通过下层的输入特征（Input）和向上的认知（Encoder）权重产生每一层的抽象表示（Code），再通过当前的生成（Decoder）权重产生一个重建信息（Reconstruction），计算输入特征和重建信息残差，使用梯度下降修改层间的下行生成（Decoder）权重。也就是“如果现实跟我想象的不一样，改变我的生成权重使得我想象的东西变得与现实一样”。

2）sleep阶段：生成过程，通过上层概念（Code）和向下的生成（Decoder）权重，生成下层的状态，再利用认知（Encoder）权重产生一个抽象景象。利用初始上层概念和新建抽象景象的残差，利用梯度下降修改层间向上的认知

（Encoder）权重。也就是“如果梦中的景象不是我脑中的相应概念，改变我的认知权重使得这种景象在我看来就是这个概念”。

第二步：自顶向下的监督学习

这一步是在第一步学习获得各层参数进的基础上，在最顶的编码层添加一个分类器（例如罗杰斯特回归、SVM等），而后通过带标签数据的监督学习，利用梯度下降法去微调整个网络参数。深度学习的第一步实质上是一个网络参数初始化过程。区别于传统神经网络初值随机初始化，深度学习模型是通过无监督学习

输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。

Deep Learning的常用方法：

自动编码器（AutoEncoder）、稀疏自动编码器(Sparse AutoEncoder)、降噪自动编码器(Denoising AutoEncoders)

方法介绍：

a).自动编码器（AutoEncoder）

最简单的一种方法是利用人工神经网络的特点，人工神经网络（ANN）本身就是具有层次结构的系统，如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重，自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征，在研究中可以发现，如果在原有的特征中加入这些自动学习得到的特征可以大大提高精确度，甚至在分类问题中比目前最好的分类算法效果还要好！这种方法称为AutoEncoder。当然，我们还可以继续加上一些约束条件得到新的Deep Learning方法，如如果在AutoEncoder的基础上加上L1的Regularity限制（L1主要是约束每一层中的节点中大部分都要为0，只有少数不为0，这就是Sparse名字的来源），我们就可以得到Sparse AutoEncoder方法。

b).稀疏自动编码器（Sparse Coding）

如果我们把输出必须和输入相等的限制放松，同时利用线性代数中基的概念，即O=w1*B1+W2*B2+....+Wn*Bn，Bi是基，Wi是系数，我们可以得到这样一个优化问题：

Min|I-O|

通过求解这个最优化式子，我们可以求得系数Wi和基Bi，这些系数和基础就是输入的另外一种近似表达，因此，它们可以特征来表达输入I，这个过程也是自动学习得到的。如果我们在上述式子上加上L1的Regularity限制，得到：

Min|I-O|+u*(|W1|+|W2|+...+|Wn|)

这种方法被称为Sparse Coding。

当然，还有其它的一些Deep Learning方法，在这里就不叙述了。总之，Deep Learning能够自动地学习出数据的另外一种表示方法，这种表示可以作为特征加入原有问题的特征集合中，从而可以提高学习方法的效果，是目前业界的研究热点。

已有研究

由于深度学习能够很好地解决一些复杂问题，近年来许多研究人员对其进行了深入研究。下面分别从初始化方法、网络层数和激活函数的选择、模型结构、学习算法和实际应用这四个方面对近几年深度学习研究的新进展进行介绍。

1.初始化方法、网络层数和激活函数的选择

研究人员试图搞清网络初始的设定与学习结果之间的关系。Erhan等人在轨迹可视化研究中指出即使从相近的值开始训练深度结构神经网络，不同的初始值也会学习到不同的局部极值，同时发现用无监督预训练初始化模型的参数学习得到的极值与随机初始化学习得到的极值差异比较大，用无监督预训练初始化模型的参数学习得到的模型具有更好的泛化误差。Bengio与Krueger等人指出用特定的方法设定训练样例的初始分布和排列顺序可以产生更好的训练结果，用特定的方法初始化参数，使其与均匀采样得到的参数不同，会对梯度下降算法训练的结果产生很大的影响。Glorot等人指出通过设定一组初始权值使得每一层深度结构神经网络的Ja-cobian矩阵的奇异值接近1，在很大程度上减小了监督深度结构神经网络和有预训练过程设定初值的深度结构神经网络之间的学习结果差异。另外，用于深度学习的学习算法通常包含许多超参数，文献给出了这些超参数的选择指导性意见，推荐一些常用的超参数，尤其适用于基于反向传播的学习算法和基于梯度的优化算法中；并讨论了如何解决有许多可调超参数的问题，描述了实际用于有效训练常用的大型深度结构神经网络的超参数的影响因素，指出深度学习训练中存在的困难。选择不同的网络隐层数和不同的非线性激活函数会对学习结果产生不同的影响。Glorot等人研究了隐层非线性映射关系的选择和网络的深度相互影响的问题，讨论了随机初始化的标准梯度下降算法用于深度结构神经网络学习得到不好的学习性能的原因。Glorot等人观察不同非线性激活函数对学习结果的影响得到逻辑斯蒂S型激活单元的均值会驱使顶层和隐层进

入饱和，因而逻辑斯蒂S型激活单元不适合用随机初始化梯度算法学习深度结构神经网络；并据此提出了标准梯度下降算法的一种新的初始化方案来得到更快的收敛速度，为理解深度结构神经网络使用和不使用无监督预训练的性能差异作出了新的贡献。Bengio等人从理论上说明深度学习结构的表示能力随着神经网络深度的增加以指数的形式增加，但是这种增加的额外表示能力会引起相应局部极值数量的增加，使得在其中寻找最优值变得困难。

2.模型结构

1）DBN的结构及其变种

采用二值可见单元和隐单元ＲBM作为结构单元的DBN，在MNIST等数据集上表现出很好的性能。近几年，有连值单元的ＲBM，如mcＲBM、mPoT模型和spike-and-slabＲBM等已经成功应用。Spike-and-slabＲBM中spike表示以为中心的离散概率分布，slab表示在连续域上的稠密均匀分布，可以用吉布斯采样对spike-and-slabＲBM进行有效推断，得到优越的学习性能。

2）和—积网络

深度学习最主要的困难是配分函数的学习，如何选择深度结构神经网络的结构使得配分函数更容易计算？Poon等人提出一种新的深度模型结构———和—积网络（sum-productnetwork，SPN），引入多层隐单元表示配分函数，使得配分函数更容易计算。SPN是有根节点的有向无环图，图中的叶节点为变量，间节点执行和运算与积运算，连接节点边带有权值，它们在Caltech-101和Olivetti两个数据集上进行实验证明了SPN的性能优于DBN和最近邻方法。

3）基于rectified单元的学习

Glorot与Mesnil等人用降噪自编码模型来处理高维输入数据。与通常的型和正切非线性隐单元相比，该自编码模型使用rectified单元使隐元产生更加稀疏的表示此之前献7］经对随机rectified元进行了介绍；对于高维稀疏数据，Dauphin等人采用抽样重构算法，训练过程只需要计算随机选择的很小的样子集的重构和重构误差，在很大程度上提高了学习速度，实验结果显示提速了20倍。Glorot人提出在深度结构神经网络中，图像分类和情感分类问题中用rectified线性神经元代替双曲正切或S型神经元，指出rectified神经元网络在零点产生

与双曲正切神经元网络相当或者有更好的性能，能够产生有真正零点的稀疏表示，非常适合本质稀疏数据的建模，在理解训练纯粹深度监督神经网络的困难，搞清使用或不使用无监督预训练学习的神经网络造成的性能差异方面，可以看做新的里程碑；Glorot等人还提出用增加L1正则化项来促进模型稀疏性，使用无穷大的激活函数防止算法运行过程中可能引起的数值问题。在此之前，Nair等人提出在ＲBM环境中rec-tified神经元产生的效果比逻辑斯蒂S型激活单元好，他们用无限数量的权值相同但是负偏差变大的一组单元替换二值单元，生成用于ＲBM的更好的一类隐单元将ＲBM泛化，可以用噪声rectified线性单元（rectifiedlinearunits）有效近似这些S型单元。用这些单元组成的ＲBM在NOＲB数据集上进行目标识别以及在数据集上进行已标记人脸实际验证，得到比二值单元更好的性能，并且可以更好地解决大规模像素强度值变化很大的问题。

4）卷积神经网络

文献研究了用生成式子抽样单元组成的卷积神经网络在MNIST数字识别任务和Caltech-101目标分类基准任务上进行实验，显示出非常好的学习性能。Huang等人提出一种的卷积学习型———部卷积ＲBM，利用对象类中的总体结构学习特征，不假定图像具有平稳特征，在实际人脸数据集上进行实验得到性能很好的实验结果。

深度学习的应用

语音识别，图像识别，自然语言识别，搜索广告CTR预估等领域

语音识别

语音识别系统长期以来，在描述每个建模单元的统计概率模型时，大多采用的是混合高斯模型（GMM）。这种模型由于估计简单，适合海量数据训练，同时有成熟的区分度训练技术支持，长期以来，一直在语音识别应用中占有垄断性地位。但这种混合高斯模型本质上是一种浅层网络建模，不能充分描述特征的状态空间分布。另外，GMM建模的特征维数一般是几十维，不能充分描述特征之间的相关性。最后，GMM建模本质上是一种似然概率建模，虽然区分度训练能够模拟一些模式类之间的区分性，但能力有限。

微软研究院语音识别专家邓立和俞栋从2009年开始和深度学习专家

Geoffery Hinton合作。2011年微软宣布基于深度神经网络的识别系统取得成果并推出产品，彻底改变了语音识别原有的技术框架。采用深度神经网络后，可以充分描述特征之间的相关性，可以把连续多帧的语音特征并在一起，构成一个高维特征。最终的深度神经网络可以采用高维特征训练来模拟。由于深度神经网络采用模拟人脑的多层结果，可以逐级地进行信息特征抽取，最终形成适合模式分类的较理想特征。这种多层结构和人脑处理语音图像信息时，是有很大的相似性的。深度神经网络的建模技术，在实际线上服务时，能够无缝地和传统的语音识别技术相结合，在不引起任何系统额外耗费情况下，大幅度提升了语音识别系统的识别率。其在线的使用方法具体如下：在实际解码过程中，声学模型仍然是采用传统的HMM模型，语音模型仍然是采用传统的统计语言模型，解码器仍然是采用传统的动态WFST解码器。但在声学模型的输出分布计算时，完全用神经网络的输出后验概率乘以一个先验概率来代替传统HMM模型中的GMM的输出似然概率。百度在实践中发现，采用DNN进行声音建模的语音识别系统相比于传统的GMM语音识别系统而言，相对误识别率能降低25%。最终在2012年11月，百度上线了第一款基于DNN的语音搜索系统，成为最早采用DNN技术进行商业语音服务的公司之一。

国际上，Google也采用了深层神经网络进行声音建模，是最早突破深层神经网络工业化应用的企业之一。但Google产品中采用的深度神经网络只有4-5层，而百度采用的深度神经网络多达9层。这种结构差异的核心其实是百度更好地解决了深度神经网络在线计算的技术难题，因此百度线上产品可以采用更复杂的网络模型。这将对于未来拓展海量语料的DNN模型训练有更大的优势。

相关算法：

Yu等人在文献中介绍了深度学习的基本概念、DBN等常用的深度学习模型以及流行且有效的深度学习算法，包括ＲBM和基于降噪自编码模型的预训练方法，并指出在许多信号处理应用中，特别是对语音和音频信号处理，深度学习技术有好的学习结果。通过综合深度学习模型强大的判别训练和连续建模能力，深度学习已成功应用于大规模词汇连续语音识别任务。卷积DBN和堆栈自

编码网络等深度结构神经网络已经被用于语音和音频数据处理中，如音乐艺术家流派分类、说话者识别、说话者性别分类和语音分类等，得到非常好的学习结果。堆栈多层条件随机场（onditionalrandomfield，CＲF）等其他深度结构神经网络结构模型也成功用于语言识别、语音识别、序列标记和置信度校准等语音相关任务。Lee等人首次用无监督卷积神经网络方法将DBN用于声学信号处理，说明该方法在讲话者、性格和音素检测上表现出比梅尔倒谱系数（Melfrequencycepstrumcoefficient，MFCC）更优越的性能。Hamel等人将DBN用于音乐类型识别和自动标记问题，将原始级光谱作为DBN的输入，用贪婪预训练和监督微调方法进行训练，得到的分类精度比MFCC有很大改进。Schmidt等人用基于回归的DBN直接从光谱中学习特征，将系统应用于特定的音乐情感识别问题，并且该系统也可以应用于任何基于回归的音频特征学习问题。Deng等人将堆栈自编码网用于语音特征编码问题，以最小的重构误差将数据压缩到预先设定长度的表示

图像识别

图像是深度学习最早尝试的应用领域。早在1989年，Yann LeCun(现纽约大学教授)和他的同事们就发表了卷积神经网络（Convolution Neural

Networks，简称CNN）的工作。CNN是一种带有卷积结构的深度神经网络，通常至少有两个非线性可训练的卷积层，两个非线性的固定卷积层（又叫Pooling Laye）和一个全连接层，一共至少5个隐含层。CNN的结构受到著名的

Hubel-Wiesel生物视觉模型的启发，尤其是模拟视觉皮层V1和V2层中Simple Cell和Complex Cell的行为。在很长时间里，CNN虽然在小规模的问题上，如手写数字，取得过当时世界最好结果，但一直没有取得巨大成功。这主要原因是，CNN在大规模图像上效果不好，比如像素很多的自然图片内容理解，所以没有得到计算机视觉领域的足够重视。这个情况一直持续到2012年10月，Geoffrey Hinton和他的两个学生在著名的ImageNet问题上用更深的CNN取得世界最好结果，使得图像识别大踏步前进。在Hinton的模型里，输入就是图像的像素，没有用到任何的人工特征。

这个惊人的结果为什么在之前没有发生？原因当然包括算法的提升，比如dropout等防止过拟合技术，但最重要的是，GPU带来的计算能力提升和更多

的训练数据。百度在2012年底将深度学习技术成功应用于自然图像OCR识别和人脸识别等问题，并推出相应的桌面和移动搜索产品，2013年，深度学习模型被成功应用于一般图片的识别和理解。从百度的经验来看，深度学习应用于图像识别不但大大提升了准确性，而且避免了人工特征抽取的时间消耗，从而大大提高了在线计算效率。可以很有把握地说，从现在开始，深度学习将取代“人工特征+机器学习”的方法而逐渐成为主流图像识别方法。 相关算法:

手写体字符识别Bengio等人运用统计学习理论和算机用研究31大量的实验工作证明了深度学习算法非常具有潜力，说明数据中间层表示可以被来自不同分布而相关的任务和样例共享，产生更好的学习效果，并且在有62个类别的大规模手写体字符别场景上进行实验，用多任务场景和扰动样例来得到分布外样例，并得到非常好的实验结果。Lee等人对ＲBM进行拓展，学习到的模型使其具有稀疏性，可用于有效地学习数字字符和自然图像特征。Hinton等人关于深度学习的研究说明了如何训练深度S型神经网络来产生对手写体数字文本有用的表示，用到的主要思想是贪婪逐层预训练ＲBM之后再进行微调

Nair等人用噪声rectified线性单元组成的深度结构神经网络将深度学习应用于目标识别和人脸验证；Ｒanzato等人提出深度产生式模型用于人脸识别；Susskind人将因式分解的三路BM用于建立成对人脸图像的模型。Luo等人研究如何从局部遮挡的人脸图像解析面部成分，提出一种新的人脸解析器，将人脸成分分割重构为重叠的形态数据过程，首先在块等级和组等级上检测人脸，在DBN上执行产生式训练过程，再用逻辑斯蒂回归进行判别式调整然后计算对像素敏感的标记映射。从LFW、BioID和CUFSF三个数据集中挑选2239个图像进行实验，说明了该方法的有效性，该方法不仅对局部遮挡的人脸图像具有鲁棒性而且也为人脸分析和人脸合成提供了更丰富的信息。

DBN和堆栈自编码网络在单个图像别任务中表现出很好的性能，成功用于生成紧凑而有意义的图像检索表示形式，并且已用于大型图像检索任务中，得到非常好的结果。Taylor等人将条件DBN用于视频排序和人类动作合成，条件DBN使得DBN的权值与之前的数据相关联，可以提高训练的有效性。Lee和

Ｒaina等人用稀疏编码和DBN从自然图像中学习有效特征表示。Nair人提出改进的DBN，该模型的顶层模型用三阶BM，他们将这种模型用于三维目标识别任务NOＲB数据集上，实验结果显示出训练得到了很低的预测误差率。Tang等人提出两种策略来提高DBN的鲁棒首先将DBN的第一层具有稀疏连接结构引入正则化方法，接着提出一种概率降噪算法，这些技术在高噪声图像识别任务和随机噪声的鲁棒性方面显示出其有效性Lee等人提出一种深度学习方法使脑图像分割自动化，用卷积神经网络建立用于脑图像分割的判别特征，能自动从人类家提供的类标签中进行学习，通过实验验证该方法在自动多类脑图像分割方面显示出优越的性能，表明该方法可以替代已有的模板图像分割方法，减少了图像分割过程对人类专家的干预和对先验信息的需求。