深度神经网络及目标检测学习笔记.pdfVIP

深度神经网络及目标检测学习笔记 https://youtu.be/MPU2HistivI 上面是一段实时目标识别的演示， 计算机在视频流上标注出物体的类别， 包 括人、汽车、自行车、狗、背包、领带、椅子等。 今天的计算机视觉技术已经可以在图片、 视频中识别出大量类别的物体， 甚 至可以初步理解图片或者视频中的内容， 在这方面， 人工智能已经达到了 3 岁儿 童的智力水平。 这是一个很了不起的成就， 毕竟人工智能用了几十年的时间， 就 走完了人类几十万年的进化之路，并且还在加速发展。 道路总是曲折的， 也是有迹可循的。 在尝试了其它方法之后， 计算机视觉在 仿生学里找到了正确的道路 （至少目前看是正确的）。通过研究人类的视觉原理， 计算机利用深度神经网络 （Deep Neural Network，NN ）实现了对图片的识别， 包 括文字识别、物体分类、图像理解等。在这个过程中，神经元和神经网络模型、 大数据技术的发展， 以及处理器 （尤其是GPU）强大的算力， 给人工智能技术的 发展提供了很大的支持。 本文是一篇学习笔记， 以深度优先的思路，记录了对深度学习 （Deep Learning） 的简单梳理，主要针对计算机视觉应用领域。 一、神经网络 1.1 神经元和神经网络 神经元是生物学概念， 用数学描述就是： 对多个输入进行加权求和， 并经过 激活函数进行非线性输出。 由多个神经元作为输入节点，则构成了简单的单层神经网络（感知器） ，可 以进行线性分类。两层神经网络则可以完成复杂一些的工作， 比如解决异或问题， 而且具有非常好的非线性分类效果。而多层（两层以上）神经网络，就是所谓的 深度神经网络。 神经网络的工作原理就是神经元的计算， 一层一层的加权求和、 激活， 最终 输出结果。深度神经网络中的参数太多（可达亿级） ，必须靠大量数据的训练来 设置。训练的过程就好像是刚出生的婴儿， 在父母一遍遍的重复中学习 “这是苹 果”、“那是汽车”。有人说，人工智能很傻嘛，到现在还不如三岁小孩。其实可 以换个角度想： 刚出生婴儿就好像是一个裸机， 这是经过几十万年的进化才形成 的，然后经过几年的学习，就会认识图片和文字了；而深度学习这个“裸机”用 了几十年就被设计出来， 并且经过几个小时的 “学习”，就可以达到这个水平了。 1.2 BP 算法 神经网络的训练就是它的参数不断变化收敛的过程。 像父母教婴儿识图认字 一样，给神经网络看一张图并告诉它这是苹果， 它就把所有参数做一些调整， 使 得它的计算结果比之前更接近“苹果”这个结果。经过上百万张图片的训练，它 就可以达到和人差不多的识别能力， 可以认出一定种类的物体。 这个过程是通过 反向传播（ Back Propagation，BP）算法来实现的。 建议仔细看一下 BP 算法的计算原理，以及跟踪一个简单的神经网络来体会 训练的过程。 1.3 小结 人工神经网络就是根据人的神经元模型而构建的一个感知算法， 利用大量的 神经元组合对人的认知行为进行拟合。 目前我们仍然无法精确的知道它为什么能 工作、如何工作，如同我们仍然无法精确知道人的大脑是如何工作一样。 在摸索过程中，我们好像应该更多地思考人类自己是怎