深度学习在机器人中应用.pptVIP

深度学习在机器人中的应用 The applications of deep learning in Robot 2017 目录 contents 深度学习 01 Deep Learning 深度学习的应用 02 The Applications of DL 卷积神经网络 03 Convolutional Neural Network 存在的问题 04 The Problems in Applications 1 PART 深度学习 Deep Learning 深度学习 什么是深度学习？ 深度学习 机器学习 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 深度学习 人类大脑如何工作？ 1981年的诺贝尔医学奖颁发给了David Hubel和Torsten Wiesel，以及Roger Sperry。前两位的主要贡献是，发现了人的视觉系统的信息处理是分级的。从视网膜（Retina）出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层）进行分类判断等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化，也即越来越能表现语义或者意图。 深度学习 人类大脑如何工作？ 深度学习 深度学习 深度学习就是通过从原始图像中学习低层特征，并组合低层特征形成更加抽象的高层特征。 深度学习之所以被称为“深度”，是因为之前的机器学习方法都是浅层学习。 深度学习能够自动的从海量数据中去学习特征，无需自己手动提取选择特征。 在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定的制约。 需要依靠人工来抽取样本的特征。然而，手工地选取特征是一件非常费力的事情，能不能选取好很大程度上靠经验和运气。 浅层网络局限性： 深度学习 对比： 深度学习 深度学习网络模型： 1、Autoencoder（AE） SAE DAE 2、Restricted Boltzmann Machine（RBM） LSTM 3、Convolutional Neural Networks（CNN） 4、Recurrent Neural Networks（RNN） 5、Generative Adversarial Networks（GAN） DBN 2 PART 深度学习的应用 The Application of DL 深度学习的应用 1、图像(语音、文本)分类 人脸识别技术（包括性别、年龄和表情等），特征点检测 文本分类（评论分类、垃圾邮件过滤等） 经典的手写数据识别 深度学习应用 2、目标检测+识别 深度学习的应用 3、语义分割 Neural Style Deep Photo Style Transfer 深度学习的应用 4、看图说话 深度学习的应用 5、图像生成 3 PART 卷积神经网络 convolutional neural network 卷积神经网络 神经网络 卷积神经网络 局部感知 卷积神经网络 权值共享 卷积神经网络 多卷积核 卷积神经网络 降采样 卷积神经网络 CNN就是多个卷积层和降采样层堆叠而成的有监督网络。 卷积神经网络 卷积神经网络 1、石头剪刀布 2、人体上半身检测 使用cascade检测手势/人体上半身 存在的误判较多 使用深度学习对检测结果过滤 得到较好的结果 4 PART 存在的问题 The Problems in Application 遇到的问题 深度学习应用在i宝过程中遇到的最大限制就是速度！！ 1、网络模型大，占用内存大 2、计算量大 3、硬件条件限制 对策： 1、选用小模型网络 2、对网络进行裁剪（特殊卷积核） 3、.......... 讨论 针对特定应用： 1、在很多实际应用中，都会包含检测+识别两个部分，检测的准确性决定着识别的结果。而且检测花的时间也是较多的，因此是不是可以将检测的过程省略，换成屏幕中固定的框。 2、利用云平台部署服务（本地硬件无法支撑的大型网络） 场景识别，生成关键字并与语音组结合实现交互 讨论 Do Something？？ 我还能做什么！！！ 谢谢！！ Thank You！！ 2017 PPT模板下载：/moban/ 行业PPT模板：/hangye/ 节日PPT模板：/jieri/ PPT素材下载：/sucai/ PPT背景