機器視覺就是給計算機裝上眼睛（相機）和大腦（算法），讓計算機可以感知周圍的環(huán)境。目前機器視覺研究主要集中在基礎(chǔ)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(tài)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(zhì)其實是為了找到一個函數(shù)，讓這個函數(shù)在不同的領(lǐng)域會發(fā)揮不同的作用。像語音識別領(lǐng)域，這個函數(shù)會把一段語音識別成一段文字；圖像識別的領(lǐng)域，這個函數(shù)會把一個圖像映射到一個分類；下圍棋的時候根據(jù)棋局和規(guī)則進行博弈；對話，是根據(jù)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(jù)不同的學習方式，可以分為監(jiān)督學習和非監(jiān)督學習兩種方式。

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

跟監(jiān)督學習不同的地方是，非監(jiān)督學習不需要為所有的訓練數(shù)據(jù)都打上標簽。非監(jiān)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(shù)據(jù)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(shù)據(jù)分析的時候，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)，還會包含一些對分析結(jié)果不重要的數(shù)據(jù)。自動編碼器主要是對原始數(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。

通過不同的學習方式獲取到數(shù)據(jù)后，算法是接下來非常重要的一環(huán)。算法之于計算機就像大腦對于我們?nèi)祟悾x擇一個好的算法也是特別重要的。

神經(jīng)網(wǎng)絡是受人腦神經(jīng)元結(jié)構(gòu)的啟發(fā)，研究者認為人腦所有的神經(jīng)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(jīng)網(wǎng)絡就是由許多的神經(jīng)元級聯(lián)而形成的，每一個神經(jīng)元都經(jīng)過線性變換和非線性變換，為什么會有非線性變換？從數(shù)學上看，沒有非線性變換，不管你神經(jīng)網(wǎng)絡層次有多深都等價于一個神經(jīng)元。如果沒有非線性變換，神經(jīng)網(wǎng)絡深度的概念就沒有什么意義了。

以上所講的都是一般的全連接神經(jīng)網(wǎng)絡，接下來進入卷積神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡是專門針對圖片處理方面的神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)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(shù)據(jù)，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。

提取出來以后到池化層，就是把卷積層的數(shù)據(jù)規(guī)模縮小，減少數(shù)據(jù)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(jīng)網(wǎng)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(jīng)過多個卷積池化層的特征數(shù)據(jù)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(jīng)網(wǎng)絡更適合機器視覺主要有兩個原因，一是參數(shù)共享，另外一個是稀疏連接。

【來源：網(wǎng)絡】



http://www.szkemai.cn   光虎光電科技（天津）有限公司