深度学习开发任务实例（无人小车）

目录

1 机器学习VS深度学习

2 深度学习开发实例

2.1任务背景与目标

2.2 任务需求梳理

2.3 明确数据采集需求

2.4数据采集

2.5 数据标注

2.6 数据集拆分

 2.7 检测算法原理

2.8 模型训练

 2.9 效果与指标

3 总结与拓展

---

1 机器学习VS深度学习

如果使用传统机器学习方法我们要实现图片分类，做法如下：

 

 缺点：特征过多，如果将每个像素都作为特征点，那么对于一张640×320的RPG图片，特征数量为640×320×3≈61万个特征

机器学习： 利用算法使计算机能够像人一样从数据中挖掘出信息

深度学习：相比于其他方法参数更多、模型更复杂、使得模型对数据理解更深、更智能。

深度学习的特征提取方法：卷积

        满足“线性性”和“平移不变性”。

        卷积神经网络中的“卷积运算”，本质上对应的是计算“相关性”

多隐层的深度神经网络

        以面部识别为例，构建一个含有两个隐藏层的前馈神经网络

        学习的是神经元中的权重参数

2 深度学习开发实例

2.1任务背景与目标

任务背景：

        自动驾驶行业近些年来逐渐火爆，计算机视觉在其中起到了非常重要的作用。某公司希望给其生产的玩具车赋予检测交通标志的能力。希望能够在模拟场景中识别常见交通标志。

任务目标：

        在玩具车前置摄像头采集到的图片中，检测交通标志的具体位置

任务解析过程：

2.2 任务需求梳理

 样本具体化：

        图像是具体的表现形式，除了主体以外会包含大量信息，如:背景、光照等。

算法光线敏感：

        侧光、面向光、背光、强光、暗光对算法的效果会有不同的影响，甚至室内室外也会有差别，实际使用时，如果训练数据中没有相关光照场景的数据，可能会在该场景下模型效果表现欠佳。

理解硬件条件可能造成的图片效果偏差：

        图片数据采集过程中，由于硬件或者工程组装差别，可能会使图片采集发生色差、模糊、角度变化等，如果训练数据中没有相关数据，模型泛化性会较弱。

客户理解偏差：

        当前阶段，不少客户对计算机视觉领域的任务理解依然有偏差，如不理解光线对模型效果的影响，不能清晰的表达业务场景诉求等。这些都要在任务初始阶段梳理清晰，否则可能会在模型交付时影响客户口碑。

因此，我们需要在任务开始前，对这些细节进行梳理与沟通。通过对细节的梳理，可以使数据采集过程与测试用例梳理时更加明确，也可以增进客户对算法能力的理解。

2.3 明确数据采集需求

 2.4数据采集

根据确认的需求，采集对应的图片，图片采集需要注意：

        使用真实的玩具车进行数据采集·覆盖不同场景

        涵盖所有可能的光照情况

        涵盖所有交通标志推动了一大类非线性映射函数学习问题的解决

采集数量:根据任务要求不同略有差异，玩具车场景任务较为简单，总计采集1万张图片。

采集方式:让小车在不同场景形式，使用摄像头录制视频，然后将每帧导出为jpg格式图片。

2.5 数据标注

 标注检验:

        检验标注任务质量

        抽查比例由具体任务决定，由于本案中的检测任务较为简单，我们抽查1%，即100张。

        抽查通过在标注工具中点击空格将其背景转换为绿色。

2.6 数据集拆分

 将所有数据按照8∶2的比例拆分为训练集与测试集，注意标注文件也应当对应拆分。

训练集将提供跟算法组用于模型训练;测试集将提供给测试组用于验证数据的泛化效果

 2.7 检测算法原理

 多隐层的深度神经网络

 为实现目标检测任务的有效特征识别，构建一个含有多隐藏层的前馈神经网络。

学习的是神经元中的权重参数，可以看到神经网络模型可以有效的提取出输入图像中的特征信息。

 

2.8 模型训练

使用训练集进行训练，同步观察输出结果

        精确率(Precision ):在被识别为正类别的样本中，确实为正类别的比例是多少

        召回率(Recall ):在所有正类别样本中，被正确识别为正类别的比例是多少?

 2.9 效果与指标

3 总结与拓展