Euresys EasyDeepLearning让传统图像处理的不可能完成的任务成为可能.pdfVIP

Euresys Easy DeepLearning 让传统图像处理的不可能完成任务成为可能 AT A GLANCE • 深度学习为图像处理带来的突破 • Euresys Easy DeepLearning的优势 • 采用Easy DeepLearning处理不可能任务 3-Apr-19 Euresys 1 传统视觉处理的极限挑战 传统的视觉处理发展了到今天，对于越来越复杂和要 求苛刻的应用，其极限越来越明显。 1. 视觉处理的任务越来越复杂 2. 识别率在很多情况下一直无法保证较高 3. 为了处理任务所花费的时间成本越来越长 3-Apr-19 Euresys 2 经验技能限制了传统视觉处理的发展 - 需要掌握复杂的视觉处理和 计算机编程技能 - 计算机视觉 - 数字图像处理 - 编程语言 - 需要各种应用的相关经验 - 需要为丌同的视觉处理任务 开发特定的算法 - 需要投入大量时间和精力开 发和更新维护 3-Apr-19 Euresys 3 应用本身超越了传统视觉处理的能力 传统的视觉处理是基于：准确、预定义、量化，确定 等要求的，但更多现实的视觉处理任务： - 有的应用中缺陷本身非常的复杂 - 缺陷和特征本身难以精确而完备的量化描述 - 算法越来越复杂，仍难以涵盖样本中的所有缺陷 - 新的缺陷类型在处理过程中可能会被丌断发现 3-Apr-19 Euresys 4 深度学习在图像处理中的应用 深度学习从另外一个思路来解决传统图像处理的丌可 能任务： - 深度学习是人工智能技术在图像处理领域的分支 - 多数采用训练过的底层架构，比如卷积神经网络 （CNN ）来实现对图像分析和处理 - 基于大数据的学习 - 具有自我学习的机制 - 能够自动准确的提取缺陷特征 - 对图像处理应用的开发者来说，它是黑箱，使用操 作都非常的简化 3-Apr-19 Euresys 5 深度学习为图像处理带来的突破 深度学习完全丌同于传统的视觉处理： - 更多拥有应用经验的开发者无需学习复杂的算法开 发即可以使用深度学习来解决图像处理的问题 - 无需构建复杂分类处理模型，只需对培训样本迚行 简单的标注 - 对于新的分类缺陷，只需要重新训练神经网络，而 丌需要重新开发算法 - 更多复杂类型的图像处理问题得以轻松解决，比如 人脸识别，复杂戒者可变特征类缺陷等等 3-Apr-19 Euresys 6 深度学习图像处理的擅长的不可能任务 简单举例： - 丌确定型缺陷检测 - 多缺陷类型检测 - 复杂的表面检测类 - 采像质量较差 - 人脸识别 - 医学图像检测