深度學習算法的案例
深度學習算法檢測無人機靠譜嗎？
這些特征使Det-Fly更加貼近實際的無人機探測場景，如果用它來評估無人機檢測算法，那么可以更加真實的反映出算法的性能。
圖4：Det-Fly數據集中的圖片
查閱了大量文獻后，我們發現目前專門針對無人機檢測的深度學習算法幾乎沒有，于是就選擇了通用的基于深度學習的目標檢測算法來研究無人機檢測這個問題，并挑選了8種性能比較好的基于深度學習的目標檢測算法。這些算法分別是Cascade R-CNN，Faster R-CNN，FPN，Grid R-CNN，RefineDet，RetinaNet，SSD512和YOLOv3。
02
深度學習算法檢測無人機的效果
有了數據和算法后，接下來就可以開展基于視覺信息的無人機檢測的研究了。首先，Det-Fly被分成了訓練集和測試集，然后分別對這8種算法做了訓練和測試。從測試的結果來看，基于視覺信息的無人機檢測確實是一個非常具有挑戰性的任務，目前這些主流算法的檢測成功率都在70%～80%之間。各算法在一些測試視頻上的表現見下面的視頻。
視頻：各算法在數據集上的測試結果
那么，影響無人機檢測的因素有哪些呢？其中的難點是什么呢？
展開 深度學習|基于MobileNet的多目標跟蹤深度學習算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 【1月8-11日 北京】全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班
目前，微軟、騰訊、谷歌、Facebook、百度、阿里巴巴等把深度學習作為未來工業和互聯網發展的研究重心。中國科學院、清華大學、北京大學等高校和科研院所成立專業研究中心和實驗室把深度學習進行科學技術成果轉化，顯著推動了深度學習應用的發展。我們已經舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在提高了學員的Python編程基礎，機器學習與深度學習算法科研水平和解決問題能力，通過實際操作和訓練，讓學員們掌握了機器學習與深度學習算法使用的方法，獲得一致好評。
為進一步推動高等院校、科研院所及企事業單位在人工智能研究工作的開展，中國管理科學研究院職業資格認證培訓中心、北京富卓佰揚職業技能培訓中心特邀請在人工智能學術和研發領域一線專家共同舉辦全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班。本次培訓主打理論結合實踐主題，課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。具體事宜如下：
一、培訓目標
1、掌握人工智能程序編程，包括python基礎使用、科學計算包numpy使用、繪圖工具包使用；
2、掌握機器學習的思維方式和關鍵技術及各種算法實現；了解人工智能在當前工業界的落地應用；
3、掌握最新Tensorflow2.0版本、卷積神經網絡、長短時記憶網絡、循環神經網絡、遷移學習等。
4、參加一次，后期本人可以免費參加相同課程，不限次數、學會為止！
二、培訓專家
中國科學院、清華大學、上海大學等科研機構的高級專家。人工智能領域一線實戰專家，機器學習，深度學習領域多年開發研究經驗。精通python軟件程序編程、機器學習與深度學習算法原理與案例實踐。擁有多項國家專利。長期從事人工智能、機器學習、深度學習、計算機視覺等領域的教學與研究工作。
展開 【11月21-24日 北京】全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班
目前，微軟、騰訊、谷歌、Facebook、百度、阿里巴巴等把深度學習作為未來工業和互聯網發展的研究重心。中國科學院、清華大學、北京大學等高校和科研院所成立專業研究中心和實驗室把深度學習進行科學技術成果轉化，顯著推動了深度學習應用的發展。我們已經舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在提高了學員的Python編程基礎，機器學習與深度學習算法科研水平和解決問題能力，通過實際操作和訓練，讓學員們掌握了機器學習與深度學習算法使用的方法，獲得一致好評。
為進一步推動高等院校、科研院所及企事業單位在人工智能研究工作的開展，中國管理科學研究院職業資格認證培訓中心、北京富卓佰揚職業技能培訓中心特邀請在人工智能學術和研發領域一線專家共同舉辦全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班。本次培訓主打理論結合實踐主題，課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。具體事宜如下：
一、培訓目標
1、掌握人工智能程序編程，包括python基礎使用、科學計算包numpy使用、繪圖工具包使用；
2、掌握機器學習的思維方式和關鍵技術及各種算法實現；了解人工智能在當前工業界的落地應用；
3、掌握最新Tensorflow2.0版本、卷積神經網絡、長短時記憶網絡、循環神經網絡、遷移學習等。
4、參加一次，后期本人可以免費參加相同課程，不限次數、學會為止！
二、培訓專家
中國科學院、清華大學、上海大學等科研機構的高級專家。人工智能領域一線實戰專家，機器學習，深度學習領域多年開發研究經驗。精通python軟件程序編程、機器學習與深度學習算法原理與案例實踐。擁有多項國家專利。長期從事人工智能、機器學習、深度學習、計算機視覺等領域的教學與研究工作。
展開 
17個機器學習的常用算法
基于核的算法把輸入數據映射到一個高階的向量空間， 在這些高階向量空間里， 有些分類或者回歸問題能夠更容易的解決。常見的基于核的算法包括：支持向量機（Support Vector Machine， SVM）， 徑向基函數（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等。
12.聚類算法聚類，就像回歸一樣，有時候人們描述的是一類問題，有時候描述的是一類算法。聚類算法通常按照中心點或者分層的方式對輸入數據進行歸并。所以的聚類算法都試圖找到數據的內在結構，以便按照最大的共同點將數據進行歸類。常見的聚類算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）。
13. 關聯規則學習關聯規則學習通過尋找最能夠解釋數據變量之間關系的規則，來找出大量多元數據集中有用的關聯規則。常見算法包括 Apriori算法和Eclat算法等。
14. 人工神經網絡人工神經網絡算法模擬生物神經網絡，是一類模式匹配算法。通常用于解決分類和回歸問題。人工神經網絡是機器學習的一個龐大的分支，有幾百種不同的算法。（其中深度學習就是其中的一類算法，我們會單獨討論），重要的人工神經網絡算法包括：感知器神經網絡（Perceptron Neural Network）, 反向傳遞（Back Propagation）， Hopfield網絡，自組織映射（Self-Organizing Map, SOM）。學習矢量量化（Learning Vector Quantization， LVQ）。
15. 深度學習深度學習算法是對人工神經網絡的發展。在近期贏得了很多關注， 特別是百度也開始發力深度學習后， 更是在國內引起了很多關注。
展開 基于深度學習的機器人目標識別和跟蹤
當前，深度學習技術的飛速發展以及工業相機、激光雷達等傳感技術不斷提高，給目標識別奠定了良好的基礎。本文基于深度學習方法研究了機器人的目標識別和跟蹤進行了研究。1 深度學習目標識別算法國內外研究現狀
國內對目標識別技術的相關研究相對于西方一些國家起步較晚。上世紀八十年代，相關科研工作者提出將反向傳播算法用于神經網絡中，并首次提出了卷積神經網絡的概念。隨著時代的進步發展， Krizhevsky 等人提出了基于深度學習的卷積神經網絡目標識別算法，該算法在著名 ImageNet 數據集上的檢測效果比第二名手工特征提取算法高了十幾個百分比，在當時取得了最好的檢測效果。深度學習也因為 ILSVC 賽事的推動下快速發展，通過賽事對目標識別加以一定的要求，使得大量學者開始使用當下較為熱門的深度學習相關技術去對目標識別算法進行研究。如今，全球有好多高校已經專門設立了人工智能與計算機視覺研究實驗室。并成功開發出了許多運用目標識別算法的實用應用軟件。此外，一些著名公司如微軟、微軟公司等，也開始投入大量資金和精力，進行智能識別的相關研究，使得目標識別算法逐步開始在工業生產中應用起來。國內在目標識別技術和深度學習研究比國外起步較晚，但近些年發展的勢頭卻很迅猛。近年來，在一大批優秀科研技術人員的努力下，取得了很多豐碩的成果。涌現出了一大批相關產業的科技公司，如大疆、科大訊飛等。2 機器人視覺國內外研究現狀機器視覺技術的產生最早是在歐美及日本等國家，最早的一批較為有名的機器視覺相關產業公司也在這些國家，如光源供應商日本 Moritex、鏡頭廠家美國 Navitar、德國 Schneider等。不難發現，對于上個世紀歐美等較發達國家在該技術上有一個較為超前的地位。一直到上世紀九十年代初，我國也開始涌現出不少與視覺技術相關的公司，其覆蓋了很多工業及生活領域，如車牌自動識別、材料表面缺陷檢測等。
展開 基于深度學習的多目標跟蹤算法原理
來源 |
人工智能感知信息處理算法研究院
基于深度學習的多目標跟蹤算法的主要任務是，優化檢測目標之間的相似性或距離度量的設計。根網絡學習到的特征的區別，可以將基于深度學習的多目標跟蹤算法分為基于深度表現特征的跟蹤網絡，基于相似性度量的跟蹤網絡以及基于高階匹配特征的跟蹤網絡如下圖所示。
將神經網絡學習到的目標的表觀特征引入到多目標跟蹤算法中，是提升多目標跟蹤算法效果的最簡單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識別或行人重識別任務訓練得到的特征提取網絡，直接替換現有的多目標跟蹤算法框架中的表觀特征提取模塊；采用深度神經網絡學習光流運動特征，將光流網絡引入到算法中計算目標之間的運動相關性等。而通過深度學習提升多目標跟蹤算法更加直接的方法是學習檢測之間的特征相似性。譬如，設計深度網絡對不同目標之間的相似性進行度量，使得同一目標的相似距離小，不同目標的相似距離大，從而構造關于檢測距離的代價函數。也可以通過設計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學習并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學習方法可以用于設計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學習的高階特征匹配方法。使用深度學習計算高階特征匹配算法，可以學習多幀表現特征的高階匹配相似度，也可以學習運動特征的匹配相關度。下面將通過對基于孿生網絡的深度學習多目標跟蹤算法的詳細介紹，來說明基于深度學習的多目標跟蹤算法的詳細步驟。
基于對稱網絡的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網絡，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標的判別。
展開 未來出行新篇章：基于深度學習的汽車碰撞損傷預測技術
深度學習：預測碰撞損傷的新途徑
基于深度學習的防撞預警算法，通過實時預測未來可能發生的碰撞事故及其后果，為駕駛員提供了更為全面的安全保障。這種算法利用深度卷積神經網絡的強大功能，能夠準確預測車輛在特定工況下的損傷程度。
仿真數據集的建立與訓練
研究者使用PC-Crash仿真軟件，模擬多種車型在不同工況下的碰撞，生成了大量仿真數據集。這些數據集不僅包含了車輛的質量、速度和角度等關鍵信息，還提供了車輛變形程度的準確評估，為神經網絡的訓練提供了可靠的數據支持。
神經網絡結構的設計與優化
通過遷移學習的方法，研究者利用波士頓房價預測的數據集訓練出的神經網絡參數，構建并優化了適用于汽車碰撞損傷預測的深度卷積神經網絡結構。這一網絡結構經過充分訓練后，能夠以高準確率預測車輛損傷程度。
實際應用：提升駕駛安全性
結合單目深度學習算法，該預測技術能夠為駕駛員提供未來事故發生后的車輛損傷程度預測。這一預測結果可以幫助駕駛員提前做出規避動作，有效避免或減輕事故損害，從而顯著提升自動駕駛的安全性。
結論：智能出行的未來展望
基于深度學習和仿真數據的汽車碰撞損傷預測技術，為自動駕駛安全提供了新的解決方案。隨著技術的不斷發展和完善，未來的出行將變得更加智能、安全和高效，為人們帶來更加美好的生活體驗。
源自【基于深度學習和仿真的汽車碰撞損傷預測方法】，作者【郭道一】
展開 深度學習訓練營-使用 Python、Pytorch 的神經網絡 ￥10
概述
第 1 部分：深度學習：使用 Python 的初學者深度神經網絡
第一講宣傳片和亮點
第 2 講 簡介：講師和 Aisciences 簡介
第 3 講 課程材料和代碼的鏈接
第 4 講 深度學習基礎知識：需要解決的問題 第 1 部分
第 5 講 深度學習基礎知識：需要解決的問題 第 2 部分
第 6 講 深度學習基礎知識：需要解決的問題 第 3 部分
第 7 講 深度學習基礎知識：線性方程
第 8 講 深度學習基礎知識：線性方程矢量化
第 9 講：深度學習基礎知識：3D 特征空間
第 10 講 深度學習基礎：N 維空間
第 11 講 深度學習基礎：感知器理論
第 12 講 深度學習基礎知識：實現基本感知器
第 13 講 深度學習基礎知識：感知器的邏輯門
第 14 講 深度學習基礎知識：感知器訓練 第 1 部分
第 15 講 深度學習基礎知識：感知器訓練 第 2 部分
第 16 講 深度學習基礎知識：學習率
第 17 講 深度學習基礎知識：感知器訓練 第 3 部分
第 18 講 深度學習基礎：感知器算法
第19講深度學習基礎：覆蓋感知器算法（數據閱讀和可視化）
第 20 講 深度學習基礎：Coading Perceptron Algo （Perceptron Step）
第 21 講 深度學習基礎知識：Coading Perceptron Algo（訓練感知器）
第 22 講 深度學習基礎知識：Coading Perceptron Algo（可視化結果）
第 23 講 深度學習基礎：線性解問題
第 24 講 深度學習基礎知識：問題解決方案
第 25 講 深度學習基礎：誤差函數
第 26 講 深度學習基礎知識：離散誤差函數與連續誤差函數
第 27 講 深度學習基礎
展開 深度學習算法培訓
以兼職培訓講師為主，也有兼職項目外包或技術支持的活
如您想掙點外塊，積累資源，充實生活，請聯系我
要求有實際項目經歷，三年以上項目經歷，表達能力較好
微信15501239699 ，郵件soft@info-soft.cn
擅長其它技術或軟件者也可以聯系，本信息長期有效，北上廣深，成都，武漢，西安等
深入了解目標檢測深度學習算法的技術細節
這兩個方法還使用了一種聰明的體系結構，其中目標檢測和分類任務的圖像預處理部分相同，從而使其比簡單地連接兩個算法更快。選擇性搜索是最常用的區域提議方法之一。
它的第一步是應用圖像分割，如下所示：
從圖像分割輸出中，選擇性搜索將依次進行：
從分割部分創建邊界框，然后將其添加到區域建議列表中。
根據四種相似度：顏色，紋理，大小和形狀，將幾個相鄰的小片段合并為較大的片段。
返回到第一步，直到該部分覆蓋了整個圖像。
層次分組
在了解了選擇性搜索的工作原理后，接著看一些使用該法最常見的目標檢測算法。
第一目標檢測算法：R-CNN
Ross Girshick等人提出了區域CNN（R-CNN），允許選擇性搜索與CNN結合使用。實際上，對于每個區域方案（如本文中的2000），一個正向傳播會通過CNN生成一個輸出向量。這個向量將被輸入到one-vs-all分類器中。每個類別一個分類器，例如一個分類器設置為如果圖像是狗，則標簽=1，否則為0，另一個分類器設置為如果圖像是貓，標簽= 1，否則為0，以此類推。R-CNN使用的分類算法是SVM。
但如何將該地區標記為提議呢?當然，如果該區域完全匹配真值，可以將其標為1，如果給定的對象根本不存在，這個對象可以被標為0。
如果圖像中存在對象的一部分怎么辦?
展開 
深度學習模型識別耳部疾病，準確率提升至95%
基于這種情況，迫切需要找到一種新的診斷策略來提高診斷準確性，深圳寶安人民醫院的研究團隊開發了一款
基于耳鏡的耳科疾病診斷實時深度學習系統
。該研究成果發布在Nature旗下的綜合期刊Scientific Reports。
近年來，深度學習作為一種很有前途的圖像識別或分類方法，是圖像自動感知、處理和決策的基礎，長期以來一直是計算機視覺領域的熱門話題，已廣泛應用于耳朵和聽力疾病分類。
基于41056名患者的20542張標記耳內鏡圖像數據集，研究團隊分別建立了80%和20%的圖像訓練集和驗證集。
然后在四卡的高性能計算服務器上使用
深度學習框架PyTorch
進行遷移學習網絡模型訓練，將訓練集的鼓膜圖像樣本和EAC圖像樣本特征輸入到深度神經網絡中進行分類，并在驗證數據集上觀察12個訓練模型的性能。
（內鏡圖像混淆矩陣和靈敏度-特異性曲線）
最后選擇2個最優模型構建集成分類器，設計并開發了耳疾實時自動識別系統，其
分類準確率達到了95.59%。
展開 自動駕駛前沿綜述：基于深度強化學習的自動駕駛算法
這幾年隨著深度表征學習的發展，強化學習領域也得到了加強。本文會對目前最先進的自動駕駛 DRL 算法進行匯總和分類。
簡介
自動駕駛系統（AD system），由多個級別的感知和控制任務組成，目前在感知方面，已經可以通過深度學習架構來實現。但在控制層面，經典的監督學習已經不再使用，因為代理需要在每一個瞬間做出動作決策，這些決策可能會改變場景條件。
自動駕駛各級別的任務
AD system 的組成
2.1 感知模塊（Preception Module）
感知模塊的目標是創建環境狀態的中間級別表示（例如所有障礙物和代理的鳥瞰圖），稍后將由最終產生駕駛策略的決策系統使用。該狀態將包括車道位置、可行駛區域、代理（例如汽車和行人）的位置、交通信號燈的狀態等。感知中的不確定性傳播到信息鏈的其余部分。強大的傳感對于安全至關重要，因此使用冗余源可以提高檢測的信心。這是通過語義分割、運動估計、深度估計、污點檢測等幾種感知任務的組合來實現的，這些任務可以有效地統一成一個多任務模型。
多視角相機融合的鳥瞰圖
2.2 場景理解（Scene Understanding）
該模塊的作用是將感知模塊獲得的信息映射到高級動作或決策層。該模塊旨在提供對場景的更高層次的理解，通過融合異構傳感器源（如激光雷達、相機、雷達、超聲波），抽象和概括場景信息，為決策制定提供簡化的信息。
2.3 定位和建圖（Localization and Mapping）
定位和建圖技術，又稱 SLAM 是自動駕駛的關鍵技術之一。
展開 【基于openfoam&fluent深度學習算法驅動的流體力學設計與應用】專題
【f'luet深度學習驅動流體力學專題】
Python編程偽譜法求解NS方程
方腔流、圓柱繞流、小球入水的Fluent求解流程
梯度下降算法的Python實現
二階函數極值問題的求解
經典模型實現流體超分辨
深度學習模型實現流體的超分辨
利用Neural ODE求解特定流體（多體問題）
流體力學的拉格朗日算法
流體力學的拉格朗日神經網絡
高精度格式求解可壓縮流體力學方程
深度學習模型求解可壓縮流體力學方程
Python編程實現反向追蹤算法
前沿技術深度聚焦理論與實踐結合，新興技術探討
【openfoam深度學習驅動的流體力學計算與應用】專題
基于OpenFOAM的矩形柱體LES模擬案例
基于python語言的CFD數據后處理
運用Python處理實驗數據
基于人工智能技術的流場預測與重構方法
運用UNet算法進行壓力時序預測
掌握基于多層感知機(MLP)的氣動性能預測方法
基于多層感知機(MLP)的民航超臨界機翼氣動性能預測
基于LES/DNS湍流模擬的時空超分辨率研究
基于深度學習的流場時序超分辨率處理
基于深度強化學習的矩形柱體主動流動控制
運用深度強化學習進行離散動作空間/連續動作空間的優化
耦合代理模型的深度強化學習在民航飛機外形優化中的應用
前沿文獻的解讀，如SORA技術、風烏技術等，了解人工智能技術在流體力學領域的最新進展，保持學術前沿性
可在某公某號咨詢：研而有信er （加關后有聯系方式可詳詢）
展開 基于深度學習的目標檢測算法面試必備（RCNN~YOLOv5）
來源 |
深度學習與計算機視覺
鏈接 |
https://zhuanlan.zhihu.com/p/354060133
知圈 |
進“汽車智能互動社群”請加微信13636581676，備注交互
整體框架
目標檢測算法主要包括：【兩階段】目標檢測算法、【多階段】目標檢測算法、【單階段】目標檢測算法
什么是兩階段目標檢測算法，與單階段目標檢測有什么區別？
兩階段目標檢測算法因需要進行兩階段的處理：1）候選區域的獲取，2）候選區域分類和回歸，也稱為基于區域（Region-based）的方。與單階段目標檢測算法的區別：通過聯合解碼同時獲取候選區域、類別
什么是多階段目標檢測算法？
展開 