機(jī)器視覺(jué)就是給計(jì)算機(jī)裝上眼睛（相機(jī)）和大腦（算法），讓計(jì)算機(jī)可以感知周?chē)沫h(huán)境。目前機(jī)器視覺(jué)研究主要集中在基礎(chǔ)應(yīng)用場(chǎng)景，像物體分類(lèi)、識(shí)別、3D建模等。

物體識(shí)別是一個(gè)比較常見(jiàn)的應(yīng)用，例如識(shí)別一個(gè)簡(jiǎn)單的工件，我們首先要給計(jì)算機(jī)定義模型，然后準(zhǔn)備大量工件的圖片去訓(xùn)練這個(gè)模型，讓計(jì)算機(jī)能識(shí)別出來(lái)，輸一張圖片的時(shí)候能識(shí)別出圖片是不是該工件。正常情況下計(jì)算機(jī)模型能識(shí)別得比較準(zhǔn)確，但是當(dāng)我們輸入了一些有遮擋、形態(tài)多變或者角度、光照不一的圖片時(shí)，之前我們建立的模型就識(shí)別不出來(lái)。這就是機(jī)器視覺(jué)在應(yīng)用中存在的難點(diǎn)問(wèn)題。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，機(jī)器學(xué)習(xí)的本質(zhì)其實(shí)是為了找到一個(gè)函數(shù)，讓這個(gè)函數(shù)在不同的領(lǐng)域會(huì)發(fā)揮不同的作用。像語(yǔ)音識(shí)別領(lǐng)域，這個(gè)函數(shù)會(huì)把一段語(yǔ)音識(shí)別成一段文字；圖像識(shí)別的領(lǐng)域，這個(gè)函數(shù)會(huì)把一個(gè)圖像映射到一個(gè)分類(lèi)；下圍棋的時(shí)候根據(jù)棋局和規(guī)則進(jìn)行博弈；對(duì)話(huà)，是根據(jù)當(dāng)前的對(duì)話(huà)生成下一段對(duì)話(huà)。

機(jī)器學(xué)習(xí)離不開(kāi)學(xué)習(xí)兩個(gè)字，根據(jù)不同的學(xué)習(xí)方式，可以分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種方式。

算法和數(shù)據(jù)是模型的核心所在。在監(jiān)督學(xué)習(xí)中最關(guān)鍵的一點(diǎn)是，我們對(duì)訓(xùn)練的每個(gè)數(shù)據(jù)都要打上標(biāo)簽，然后通過(guò)把這些訓(xùn)練數(shù)據(jù)輸入到算法模型經(jīng)過(guò)反復(fù)訓(xùn)練以后，每經(jīng)過(guò)一次訓(xùn)練都會(huì)減少算法模型的預(yù)計(jì)輸出和標(biāo)簽數(shù)據(jù)的差距。通過(guò)大量的訓(xùn)練，算法模型基本上穩(wěn)定下來(lái)以后，我們就可以把這個(gè)模型在測(cè)試數(shù)據(jù)集上驗(yàn)證模型的準(zhǔn)確性。這就是整個(gè)監(jiān)督學(xué)習(xí)的過(guò)程，監(jiān)督學(xué)習(xí)目前在圖片分類(lèi)上應(yīng)用得比較多。

跟監(jiān)督學(xué)習(xí)不同的地方是，非監(jiān)督學(xué)習(xí)不需要為所有的訓(xùn)練數(shù)據(jù)都打上標(biāo)簽。非監(jiān)督學(xué)習(xí)主要應(yīng)用在兩個(gè)大類(lèi)，第一類(lèi)是做聚類(lèi)分析，聚類(lèi)分析是把一組看似無(wú)序的數(shù)據(jù)進(jìn)行分類(lèi)分組，以達(dá)到能夠更好理解的目的；另外一類(lèi)是做自動(dòng)編碼器，在數(shù)據(jù)分析的時(shí)候，原始數(shù)據(jù)量往往比較大，除了包含一些冗余的數(shù)據(jù)，還會(huì)包含一些對(duì)分析結(jié)果不重要的數(shù)據(jù)。自動(dòng)編碼器主要是對(duì)原始數(shù)據(jù)做降維操作，把冗余的數(shù)據(jù)去掉，提高后面數(shù)據(jù)分析的效率。

通過(guò)不同的學(xué)習(xí)方式獲取到數(shù)據(jù)后，算法是接下來(lái)非常重要的一環(huán)。算法之于計(jì)算機(jī)就像大腦對(duì)于我們?nèi)祟?lèi)，選擇一個(gè)好的算法也是特別重要的。

神經(jīng)網(wǎng)絡(luò)是受人腦神經(jīng)元結(jié)構(gòu)的啟發(fā)，研究者認(rèn)為人腦所有的神經(jīng)元都是分層的，可以通過(guò)不同的層次學(xué)習(xí)不一樣的特征，由簡(jiǎn)單到復(fù)雜地模擬出各種特征。

神經(jīng)網(wǎng)絡(luò)就是由許多的神經(jīng)元級(jí)聯(lián)而形成的，每一個(gè)神經(jīng)元都經(jīng)過(guò)線(xiàn)性變換和非線(xiàn)性變換，為什么會(huì)有非線(xiàn)性變換？從數(shù)學(xué)上看，沒(méi)有非線(xiàn)性變換，不管你神經(jīng)網(wǎng)絡(luò)層次有多深都等價(jià)于一個(gè)神經(jīng)元。如果沒(méi)有非線(xiàn)性變換，神經(jīng)網(wǎng)絡(luò)深度的概念就沒(méi)有什么意義了。

以上所講的都是一般的全連接神經(jīng)網(wǎng)絡(luò)，接下來(lái)進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)是專(zhuān)門(mén)針對(duì)圖片處理方面的神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)首先會(huì)輸入一張圖片，比如圖片是30×30，有三個(gè)顏色通道的數(shù)據(jù)，這是輸入層。下面是卷積層，有一個(gè)卷積核的概念，每一個(gè)卷積核提取圖片的不同特征。

提取出來(lái)以后到池化層，就是把卷積層的數(shù)據(jù)規(guī)?？s小，減少數(shù)據(jù)的復(fù)雜度。卷積和池化連起來(lái)我們叫做一個(gè)隱層，一個(gè)卷積神經(jīng)網(wǎng)絡(luò)會(huì)包含很多個(gè)隱層，隱層之后是全連接層，全連接層的目的是把前面經(jīng)過(guò)多個(gè)卷積池化層的特征數(shù)據(jù)平鋪開(kāi)，形成特征向量，我們把特征向量輸入到分類(lèi)器，對(duì)圖片進(jìn)行分類(lèi)。

簡(jiǎn)單來(lái)說(shuō)，卷積神經(jīng)網(wǎng)絡(luò)更適合機(jī)器視覺(jué)主要有兩個(gè)原因，一是參數(shù)共享，另外一個(gè)是稀疏連接。

【來(lái)源：網(wǎng)絡(luò)】



http://gggddd.com.cn   光虎光電科技（天津）有限公司