作者： 段德山
神经网络和深度学习技术的历史发展
其它的应用还有：
什么是深度学习?
HALCON中提供的典型机器学习方法
使用多层感知器的典型神经网络
使用传统的机器学习方法挑战是什么呢？
我们可以看一下传统分类方法的训练过程
传统的机器学习方法的缺点在于：
需要非常有经验的编程和视觉工师来实现
需要大量的编程工作和昂贵代码维护成本
求例：玻璃缺陷检测与分类
在特征提取的环节非常具有挑战性
深度学习技术一个很大的优势就是可以自动提取特征
在卷积神经网络中卷积层和池化层代替了特征层
深度卷积神经网络中有多个层级
在训练过程中所有层级都被不断优化
深度学习基本概念：训练
深度学习基本概念：分类推断
深度学习的另一大优势是通过量训练可获得超高准确度
深度学习是不被过吹捧了？
误区一：深度学习能够解决所有问题
深度学习不是传说中的“耶稣圣杯”
深度学习只是一种分类数据的手段
单独的深度学习功能通常无法解决客户实际应用需求
在何种应用需求情况下该考虑深度学习技术
HALCON是一个非常全面的机器视觉工具箱
深度学习已被集成在 HALCON的机器视觉算法库中
误区二：深度学习很容易实现
深度学习技术其实很复杂。
基于开源的深度学习潜在成本很高
HALCON 为大家提供简单应用深度学习的解决方案
HALCON 的两步训练法为客户提供了最佳体验
利用预训练网络客户可以使少量样本进行快速部署
MVTec所提供的预训练网络针对工业应用场景进行过专优化
使用 MVTec 提供预训练网络不需要担心版权问题
误区三：不同行业基于深度学习技术的经验和积累可轻松转换
注意不同细分行业都是非常独特的解决方案
这些应用解决方案是很难转换到其他领域中的
HALCON Progress 17.12 – 深度学习仅支持 GPU
对工业客户而言面临的问题是 …… 体积，价格， 环境适应性和生命周期
从HALCON Progress 18.05 开始支持 CPU 分类
HALCON Progress 18.05 支持任意大小图片进行训练和分类
降低图像大小可以加快分类速度
HALCON 的深度学习功能展望 – 目标定位及识别
HALCON的深度学习功能展望 – 目标分割及识别
HALCON 的深度学习功能展望 – Novelty Detection
