<button id="jxps7"></button>

<button id="jxps7"></button>

<dd id="jxps7"><pre id="jxps7"></pre></dd>

<tbody id="jxps7"><noscript id="jxps7"></noscript></tbody>

        深度學習與機器視覺

        • 來源:光虎



        機器視覺就是給計算機裝上
        眼睛(相機)大腦(算法),讓計算機可以感知周圍的環境。目前機器視覺研究主要集中在基礎應用場景,像物體分類、識別、3D建模等。


         


        物體識別是一個比較常見的應用,例如識別一個簡單的工件,我們首先要給計算機定義模型,然后準備大量工件的圖片去訓練這個模型,讓計算機能識別出來,輸一張圖片的時候能識別出圖片是不是該工件。正常情況下計算機模型能識別得比較準確,但是當我們輸入了一些有遮擋、形態多變或者角度、光照不一的圖片時,之前我們建立的模型就識別不出來。這就是機器視覺在應用中存在的難點問題。


        深度學習是機器學習的一種,機器學習的本質其實是為了找到一個函數,讓這個函數在不同的領域會發揮不同的作用。像語音識別領域,這個函數會把一段語音識別成一段文字;圖像識別的領域,這個函數會把一個圖像映射到一個分類;下圍棋的時候根據棋局和規則進行博弈;對話,是根據當前的對話生成下一段對話。

         




        機器學習離不開學習兩個字,根據不同的學習方式,可以分為
        監督學習非監督學習兩種方式。


        監督學習

        算法和數據是模型的核心所在。在監督學習中最關鍵的一點是,我們對訓練的每個數據都要打上標簽,然后通過把這些訓練數據輸入到算法模型經過反復訓練以后,每經過一次訓練都會減少算法模型的預計輸出和標簽數據的差距。通過大量的訓練,算法模型基本上穩定下來以后,我們就可以把這個模型在測試數據集上驗證模型的準確性。這就是整個監督學習的過程,監督學習目前在圖片分類上應用得比較多。


        非監督學習

        跟監督學習不同的地方是,非監督學習不需要為所有的訓練數據都打上標簽。非監督學習主要應用在兩個大類,第一類是做聚類分析,聚類分析是把一組看似無序的數據進行分類分組,以達到能夠更好理解的目的;另外一類是做自動編碼器,在數據分析的時候,原始數據量往往比較大,除了包含一些冗余的數據,還會包含一些對分析結果不重要的數據。自動編碼器主要是對原始數據做降維操作,把冗余的數據去掉,提高后面數據分析的效率。

         


        深度學習; 深度學習與機器視覺; 深度學習與神經網絡; 機器學習


        通過不同的學習方式獲取到數據后,算法是接下來非常重要的一環。算法之于計算機就像大腦對于我們人類,選擇一個好的算法也是特別重要的。


         
        神經網絡

        神經網絡是受人腦神經元結構的啟發,研究者認為人腦所有的神經元都是分層的,可以通過不同的層次學習不一樣的特征,由簡單到復雜地模擬出各種特征。


        神經網絡就是由許多的神經元級聯而形成的,每一個神經元都經過線性變換和非線性變換,為什么會有非線性變換?從數學上看,沒有非線性變換,不管你神經網絡層次有多深都等價于一個神經元。如果沒有非線性變換,神經網絡深度的概念就沒有什么意義了。

         


        深度學習; 深度學習與機器視覺; 深度學習與神經網絡; 機器學習



        訓練步驟
        第一步:定義一個網絡模型,初始化所有神經網絡的權重和偏置。定義好網絡模型以后再定義好這個模型的代價函數,代價函數就是我們的預測數據和標簽數據的差距,這個差距越小,說明模型訓練得越成功。第一次訓練的時候會初始化所有神經元的參數。輸入所有訓練數據以后,通過當前的模型計算出所有的預測值,計算預測值以后和標簽數據比較,看一下預測值和實際值有多大的差距。

        第二步:不斷優化差距,使差距越來越小。神經網絡根據導數的原理發明了反向傳播和梯度下降算法,通過N次訓練后,標簽數據與預測值之間的差距就會越來越小,直到趨于一個極致。這樣的話,所有神經元的權重、偏置這些參數都訓練完成了,我們的模型就確定下來了。接下來就可以在測試集上用測試數據來驗證模型的準確率。


         
        卷積神經網絡

        以上所講的都是一般的全連接神經網絡,接下來進入卷積神經網絡。卷積神經網絡是專門針對圖片處理方面的神經網絡。卷積神經網絡首先會輸入一張圖片,比如圖片是30×30,有三個顏色通道的數據,這是輸入層。下面是卷積層,有一個卷積核的概念,每一個卷積核提取圖片的不同特征。

         


        深度學習; 深度學習與機器視覺; 深度學習與神經網絡; 機器學習



        提取出來以后到池化層,就是把卷積層的數據規??s小,減少數據的復雜度。
        卷積和池化連起來我們叫做一個隱層,一個卷積神經網絡會包含很多個隱層,隱層之后是全連接層,全連接層的目的是把前面經過多個卷積池化層的特征數據平鋪開,形成特征向量,我們把特征向量輸入到分類器,對圖片進行分類。


        簡單來說,卷積神經網絡更適合機器視覺主要有兩個原因,一是參數共享,另外一個是稀疏連接。




        【來源:網絡】



        http://www.realdoll-shop24.com   光虎光電科技(天津)有限公司


        欧美成人免费观看全部
        <button id="jxps7"></button>

        <button id="jxps7"></button>

        <dd id="jxps7"><pre id="jxps7"></pre></dd>

        <tbody id="jxps7"><noscript id="jxps7"></noscript></tbody>