《工业机器视觉技术应用》 课件 3.3 深度学习算法介绍.pdf

深度学习算法介绍

目录

•1.1深度学习简介

•1.2卷积神经网络

•1.3生成对抗网络

•1.4Transformer网络

•1.5应用案例

1.1深度学习简介

深度学习（DeepLearning，DL）是机器学习（MachineLearning，ML）领域一个新的研究方向，

它被引入机器学习使其更接近于最初的目标—人工智能（ArtificialIntelligence，AI）。深度学习

是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等

数据的解释有很大的帮助。最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、

图像和声音等数据，因此深度学习在图像识别中的应用研究是现在和未来很长一段时间内图像识

别领域的重要研究课题。

深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关

技术。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、知

识推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器能够模仿视听、思

考、决策等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进

步。本节将主要对卷积神经网络、生成对抗网络以及近些年关注较多的Transformer架构进行介绍。

1.2卷积神经网络

卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种深度学习模型，特别适用于处理具有网格结构

的数据，例如图像和音频。它通过多个卷积层、池化层和全连接层等组件，实现了对输入数据的高效特征提

取和模式识别能力。CNN的核心组件是卷积层，它使用一组可学习的滤波器（也称为卷积核）在输入数据上

进行卷积操作，从而提取输入数据中的空间局部特征。卷积操作通过对滤波器与输入数据的逐元素乘积求和，

将输入数据的局部信息转化为特征映射。这种局部连接和权重共享的方式使得CNN能够更有效地处理大规模

输入数据。另一个重要的组件是池化层，它用于降低特征映射的空间维度，减少参数数量，同时保留重要的

特征信息。常用的池化操作是最大池化，它选择每个区域中的最大值作为池化结果。全连接层将特征映射转

换为模型的输出，全连接层中的每个神经元与前一层的所有神经元相连接，通过学习权重和偏置来实现对输

入特征的分类或回归。卷积神经网络在图像处理中常用于进行图像的分类、目标检测以及分割，下面介绍用

于这三类任务的经典网络ResNet、YOLO和UNet。

1.2.1ResNet网络

ResNet（ResidualNeuralNetwork）是由MicrosoftResearch的KaimingHe等人在2015年提出的深度学习架构，

它在图像识别任务中取得了重大的突破，也是深度学习中一个重要的里程碑。传统的深度卷积神经网络随着

层数增加，会遇到梯度消失或梯度爆炸等问题，导致训练过程困难，难以让网络更深。ResNet的主要创新在

于引入了“残差学习”（ResidualLearning）的概念，允许在训练过程中直接对残差进行学习。残差学习的基本

思想是将原始输入与输出之间的差值（即残差）作为学习目标，这样网络可以更容易地学习恒等映射，从而

解决了梯度问题。ResNet通过引入残差块来实现残差学习。如图1-1所示，每个残差块包含两个或更多的卷积

层，其中在输入和输出之间引入了跳跃连接。跳跃连接允许梯度直接通过网络层传播，减少了信息的丢失，

使得可以训练更深的网络。在训练过程中，如果某个残差块的输出与输入相同（即残差为零），那么该块就

类似于恒等映射，网络就可以选择不学习该块。

1.2卷积神经网络

输入x

卷积层

卷积运算F(x)激活函数

卷积层

输出F(x)+x