机器视觉（AOI）之深度学习的优势
DL的快速发展和设备能力（包括计算能力，内存容量，功率消耗，图像传感器分辨率和光学）的提高使得基于视觉的应用快速传播。和传统CV比较，DL有更好的精度，并且需要更少的专家分析和调参，同时可以利用如今容易获得的大量的视频数据。同时，DL有很好的灵活性，因为CNN模型和框架可以使用新的自定义数据重新训练，相比较于更局限领域的传统的图像处理技术。在DL出现前，传统的CV方法时通过特征提取，比如目标检测时，通过对图像的特征描述向量检索，如果很大一部分特征时重复的，则一副图像就分类含有一种特殊的物体。传统CV的难点在于必须选择哪一种特征时最重要的在每张图片中。这很大程度上依赖于工程师的判断和长时间的调试的误差处理，来决定哪一个特征可以区分不同类型的物体。同时，特征的定义也需要工程师调参得到。DL引入了端对端(end-to-end)学习，即机器只是获得了已经被标记上物体类型的图像数据集。因此，DL模型再给定数据上被训练，其中神经网络得以找到背后的模式，自动找到最具有描述性和明显的特征。传统的提取手动特征的专业知识已经被通过迭代在DL架构的知识和专业性代替。
郑重声明：
1、部分内容来源于网络，本文版权归原作者所有，转载文章仅为传播更多信息之目的。
2、本文仅供学术交流，非商用。如果某部分不小心侵犯了大家的利益，请联系删除。
