深學(xué)習(xí)在機器人中應(yīng)用

深學(xué)習(xí)在機器人中應(yīng)用第1頁/共31頁目錄contents01DeepLearning02TheApplicationsofDL03ConvolutionalNeuralNetwork04TheProblemsinApplications第2頁/共31頁1PART深度學(xué)習(xí)DeepLearning第3頁/共31頁深度學(xué)習(xí)什么是深度學(xué)習(xí)？第4頁/共31頁深度學(xué)習(xí)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(xùn)練檢測器/分類器機器學(xué)習(xí)

機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)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。第5頁/共31頁深度學(xué)習(xí)人類大腦如何工作？1981年的諾貝爾醫(yī)學(xué)獎頒發(fā)給了DavidHubel和TorstenWiesel，以及RogerSperry。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(biāo)的局部，再到高層的整個目標(biāo)（如判定為一張人臉），以及到更高層的PFC（前額葉皮層）進行分類判斷等。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。第6頁/共31頁深度學(xué)習(xí)人類大腦如何工作？第7頁/共31頁深度學(xué)習(xí)深度學(xué)習(xí)

深度學(xué)習(xí)就是通過從原始圖像中學(xué)習(xí)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(xué)習(xí)之所以被稱為“深度”，是因為之前的機器學(xué)習(xí)方法都是淺層學(xué)習(xí)。深度學(xué)習(xí)能夠自動的從海量數(shù)據(jù)中去學(xué)習(xí)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。淺層網(wǎng)絡(luò)局限性：第8頁/共31頁深度學(xué)習(xí)對比：第9頁/共31頁深度學(xué)習(xí)深度學(xué)習(xí)網(wǎng)絡(luò)模型：1、Autoencoder（AE）SAEDAE2、RestrictedBoltzmannMachine（RBM）LSTM3、ConvolutionalNeuralNetworks（CNN）4、RecurrentNeuralNetworks（RNN）5、GenerativeAdversarialNetworks（GAN）DBN第10頁/共31頁2PART深度學(xué)習(xí)的應(yīng)用TheApplicationofDL第11頁/共31頁深度學(xué)習(xí)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)識別第12頁/共31頁深度學(xué)習(xí)應(yīng)用2、目標(biāo)檢測+識別第13頁/共31頁深度學(xué)習(xí)的應(yīng)用3、語義分割NeuralStyleDeepPhotoStyleTransfer第14頁/共31頁深度學(xué)習(xí)的應(yīng)用4、看圖說話第15頁/共31頁深度學(xué)習(xí)的應(yīng)用5、圖像生成第16頁/共31頁3PART卷積神經(jīng)網(wǎng)絡(luò)convolutionalneuralnetwork第17頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)第18頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)局部感知第19頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)權(quán)值共享第20頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)多卷積核第21頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)降采樣第22頁/共31頁卷積神經(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)。第23頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)第24頁/共31頁卷積神經(jīng)網(wǎng)絡(luò)1、石頭剪刀布2、人體上半身檢測使用cascade檢測手勢/人體上半身存在的誤判較多使用深度學(xué)習(xí)對檢測結(jié)果過濾得到較好的結(jié)果第25頁/共31頁4PART存在的問題TheProblemsinApplication第26頁/共31頁遇到的問題深度學(xué)習(xí)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、..........第27頁/共31頁討論針對特定應(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(zhǔn)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)絡(luò)）場景識別，生成關(guān)鍵字并與語音組結(jié)合實現(xiàn)交互第28頁/共31頁討論DoSomething？？我還能做什么?。?！第29頁/共31頁謝謝??！ThankYou！！2017PPT模板下載：/moban/行業(yè)PPT模板：/hangye/節(jié)日PPT模板：/jieri/PPT素材下載：/sucai/PPT背景圖片：/beijing/PPT圖表下載：/tubiao/優(yōu)秀PPT下載：/xiazai/PPT教程：/powerpoint/Word教程：/word/Excel教程：/excel/資料下載：/ziliao/