深度學(xué)習(xí)-cdd視覺(jué)檢測(cè)設(shè)備

背景介紹：深度學(xué)習(xí)是近年來(lái)cdd視覺(jué)檢測(cè)研究的熱門話題。深度學(xué)習(xí)的靈感來(lái)自神經(jīng)學(xué)，模擬人腦的認(rèn)知和表達(dá)過(guò)程，并通過(guò)低級(jí)信號(hào)到高級(jí)特征的功能映射，構(gòu)建學(xué)習(xí)數(shù)據(jù)中隱式關(guān)系的邏輯層次模型。與一般的淺層機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)具有多隱層結(jié)構(gòu)，更適合大數(shù)據(jù)。

傳統(tǒng)的圖像處理只是處理單個(gè)或幾個(gè)數(shù)字圖像。在當(dāng)今信息爆炸的時(shí)代，圖像處理涉及更多的視頻分析（圖像流），每個(gè)圖像可能有幾個(gè)具有100,000像素，一個(gè)光學(xué)圖像篩選機(jī)和一個(gè)包含數(shù)百或數(shù)千個(gè)圖像的多幀視頻，數(shù)據(jù)量與其他行業(yè)的“大數(shù)據(jù)”相當(dāng)。傳統(tǒng)的圖像對(duì)象分類和檢測(cè)算法和策略難以滿足圖像視頻大數(shù)據(jù)在處理效率，性能和智能方面的要求。深度學(xué)習(xí)通過(guò)模擬類似于人類大腦的層次結(jié)構(gòu)來(lái)建立從低級(jí)信號(hào)到高級(jí)語(yǔ)義的映射，以實(shí)現(xiàn)數(shù)據(jù)的分層表示，具有強(qiáng)大的視覺(jué)信息處理能力。因此，在機(jī)器視覺(jué)領(lǐng)域，深度學(xué)習(xí)的代表 - 體積卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛使用。

在20世紀(jì)60年代，當(dāng)Hubel和Wiesel研究貓的大腦皮層神經(jīng)元的局部敏感和定向選擇時(shí)，他們發(fā)現(xiàn)它們獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，然后提出卷積神經(jīng)網(wǎng)絡(luò)（CNN） ）。如今，CNN已成為許多科學(xué)領(lǐng)域的研究熱點(diǎn)之一，特別是在模式分類領(lǐng)域。由于網(wǎng)絡(luò)避免了復(fù)雜的圖像預(yù)處理，因此可以直接輸入原始圖像，因此得到了廣泛的應(yīng)用。實(shí)質(zhì)上，CNN是一種多層的Hubel-Wiesel結(jié)構(gòu)，通過(guò)模仿細(xì)胞視覺(jué)信息的處理來(lái)構(gòu)建。

文章內(nèi)容來(lái)源于網(wǎng)絡(luò)，有不當(dāng)之處請(qǐng)聯(lián)系我司調(diào)整。