深學習在機器人中應(yīng)用

1、深度學習在機器人中的應(yīng)用 The applications of deep learning in Robot 201 7 目 錄 contents01 Deep Learning 02 The Applications of DL 03 Convolutional Neural Network 04 The Problems in Applications 1 PART 深度學習 Deep Learning 深度學習 什么是深度學習？ 深度學習 開始 獲取數(shù)據(jù) 特征提取 數(shù)據(jù)預(yù)處理 特征選擇 模式識別 結(jié)束 人臉數(shù)據(jù) 數(shù)據(jù)裁剪等 Hog、Haar等提取， 實驗和選擇特征 訓練檢測器/分類器

2、機器學習 機器學習是一門多領(lǐng)域交叉學科， 涉及概率論、統(tǒng)計學、逼近論、凸分 析、算法復(fù)雜度理論等多門學科。專 門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的 學習行為，以獲取新的知識或技能， 重新組織已有的知識結(jié)構(gòu)使之不斷改 善自身的性能。 深度學習 人類大腦如何工作？ 1981年的諾貝爾醫(yī)學獎頒發(fā)給了David Hubel和Torsten Wiesel，以及Roger Sperry。前兩位的主要貢獻是，發(fā)現(xiàn)了人的視覺系統(tǒng)的信息處理是分級的。從視網(wǎng)膜（Retina）出發(fā)，經(jīng)過低級的V1區(qū)提取邊緣特征，到V2區(qū)的基本形狀或目標的局部，再到高層的整個目標（如判定為一張人臉），以及到更高層的PFC（前額葉皮層）進

3、行分類判斷等。也就是說高層的特征是低層特征的組合，從低層到高層的特征表達越來越抽象和概念化，也即越來越能表現(xiàn)語義或者意圖。 深度學習 人類大腦如何工作？ 深度學習 深度學習 深度學習就是通過從原始圖像中學習低層特征，并組合低層特征形成更加抽象的高層特征。 深度學習之所以被稱為“深度”，是因為之前的機器學習方法都是淺層學習。 深度學習能夠自動的從海量數(shù)據(jù)中去學習特征，無需自己手動提取選擇特征。 在有限樣本和計算單元情況下對復(fù)雜函數(shù)的表示能力有限，針對復(fù)雜分類問題其泛化能力受到一定的制約。 需要依靠人工來抽取樣本的特征。然而，手工地選取特征是一件非常費力的事情，能不能選取好很大程度上靠經(jīng)驗和運氣。

4、 淺層網(wǎng)絡(luò)局限性： 深度學習 對比： 深度學習 深度學習網(wǎng)絡(luò)模型： 1、Autoencoder（AE） SAEDAE 2、Restricted Boltzmann Machine（RBM） LSTM 3、Convolutional Neural Networks（CNN） 4、Recurrent Neural Networks（RNN） 5、Generative Adversarial Networks（GAN） DBN 2 PART 深度學習的應(yīng)用 The Application of DL 深度學習的應(yīng)用 1、圖像(語音、文本)分類 人臉識別技術(shù)（包括性別、年齡和表情等），特征點檢測 文本

5、分類（評論分類、垃圾郵件過濾等） 經(jīng)典的手寫數(shù)據(jù)識別 深度學習應(yīng)用 2、目標檢測+識別 深度學習的應(yīng)用 3、語義分割 Neural Style Deep Photo Style Transfer 深度學習的應(yīng)用 4、看圖說話 深度學習的應(yīng)用 5、圖像生成 3 PART 卷積神經(jīng)網(wǎng)絡(luò) convolutional neural network 卷積神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò) 局部感知 卷積神經(jīng)網(wǎng)絡(luò) 權(quán)值共享 卷積神經(jīng)網(wǎng)絡(luò) 多卷積核 卷積神經(jīng)網(wǎng)絡(luò) 降采樣 卷積神經(jīng)網(wǎng)絡(luò) CNN就是多個卷積層和降采樣層堆 疊而成的有監(jiān)督網(wǎng)絡(luò)。 卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò) 1、石頭剪刀布 2、人體上半身檢測 使用c

6、ascade檢測手勢/人體上半身存在的誤判較多 使用深度學習對檢測結(jié)果過濾得到較好的結(jié)果 4 PART 存在的問題 The Problems in Application 遇到的問題 深度學習應(yīng)用在i寶過程中遇到的最大限制就是速度！ 1、網(wǎng)絡(luò)模型大，占用內(nèi)存大 2、計算量大 3、硬件條件限制 對策： 1、選用小模型網(wǎng)絡(luò) 2、對網(wǎng)絡(luò)進行裁剪（特殊卷積核） 3、. 討論 針對特定應(yīng)用： 1、在很多實際應(yīng)用中，都會包含檢測+識別兩個部分，檢測的 準確性決定著識別的結(jié)果。而且檢測花的時間也是較多的，因此是 不是可以將檢測的過程省略，換成屏幕中固定的框。 2、利用云平臺部署服務(wù)（本地硬件無法支撐的大型網(wǎng)

7、絡(luò)） 場景識別，生成關(guān)鍵字并與語音組結(jié)合實現(xiàn)交互 討論 Do Something？ 我還能做什么！ 謝謝！ Thank You！ 201 7 PPT模板下載： 行業(yè)PPT模板： 節(jié)日PPT模板： PPT素材下載： PPT背景圖片： PPT圖表下載： 優(yōu)秀PPT下載： PPT教程： Word教程： Excel教程： 資料下載： PPT課件下載： 范文下載： 試卷下載： 教案下載： PPT論壇： 深度學習 什么是深度學習？ 深度學習 人類大腦如何工作？ 深度學習 深度學習 深度學習就是通過從原始圖像中學習低層特征，并組合低層特征形成更加抽象的高層特征。 深度學習之所以被稱為“深度”，是因為之前的機器學習方法都是淺層學習。 深度學習能夠自動的從海量數(shù)據(jù)中去學習特征，無需自己手動提取選擇特征。 在有限樣本和計算單元情況下對復(fù)雜函數(shù)的表示能力有限，針對復(fù)雜分類問題其泛化能力受到一定的制約。 需要依靠人工來抽取樣本的特征。然而，手工地選取特征是一