深度学习在机器人中应用PPT课件

深度学习在机器人中的应用,TheapplicationsofdeeplearninginRobot,2017,1,.,目录,contents,深度学习,01,DeepLearning,深度学习的应用,02,TheApplicationsofDL,卷积神经网络,03,ConvolutionalNeuralNetwork,存在的问题,04,TheProblemsinApplications,2,.,1,PART,深度学习,DeepLearning,3,.,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DavidHubel和TorstenWiesel，以及RogerSperry。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、RestrictedBoltzmannMachine（RBM）,LSTM,3、ConvolutionalNeuralNetworks（CNN）,4、RecurrentNeuralNetworks（RNN）,5、GenerativeAdversarialNetworks（GAN）,DBN,2,PART,深度学习的应用,TheApplicationofDL,11,.,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,NeuralStyle,DeepPhotoStyleTransfer,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,convolutionalneuralnetwork,17,.,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,TheProblemsinApplication,26,.,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