全国咨询热线:
400-076-5556
18611907909
免费试用

新闻中心

您的位置:首页>关于我们>新闻中心>

欧倍尔机器视觉感知与智能识别仿真实验软件,将智能学习进行到底

 

一、背景介绍
(1)深度学习发展第一阶段
神经网络模型的最早研究起源与认知心理学、理论和计算神经科学领域。1943年Warren McCulloch和Walter Pitts发明了基于数学和阈值逻辑的算法神经网络计算模型,即MCP神经元数学模型,为神经网络的发展拉开了序幕。1958年,Rosenblatt创造了感知机并将其成功运用于简单的模式识别任务中,将神经网络的研究推向了第一次的高潮。然而好景不长,1969年Minsky和Papert直接指出目前的神经网络存在两个关键的缺陷:(1)无法解决异或这类简单的线性不可分问题;(2)计算机没有足够的算力来求解大型的网络。这些问题直接宣判了神经网络的“死刑”,神经网络的研究进入了第一次寒冬。
 

图1 视觉系统
(2)深度学习发展第二阶段
1983年加州理工学院的物理学家John Hopfield利用神经网络,通过电路模拟仿真的方法求解了旅行商这个NP难问题,在学术界引起的较大的轰动,这也推动了神经网络第二次的快速发展。同时1986年BP误差反向传播算法被Hinton等人再次发明,这也为后来神经网络的发展奠定了基础。1989年George Cybenko首次提出了sigmoid激活函数的万能逼近定理,2年后Kurt Hornik指出万能逼近定理并不依赖于特别的激活函数,而是由多层前馈网络结构所决定的。同时在1989年LeCun通过利用BP算法完成了对手写数字的识别。1998年LeCun正式提出LeNet-5,该网络即为标准的卷积神经网络(CNN),其采用了卷积、池化的结构,并选择双曲正切激活函数和极大似然估计损失函数,同时使用BP算法进行训练。
(3)深度学习发展第三阶段
2006年即为Deep Learning元年,2006年Hinton在Science上发文,指出利用RBM编码预训练深度神经网络与PCA相比在高维特征抽取方面有更佳的性能,即深度网拥有强大的特征提取能力。网络向更深、更复杂的方向发展。在其它的领域如语音识别、机器翻译、问答系统等某些十分微小具体的方面,深度网络也表现出了准确率优于人类的良好性能。目前,深度学习正处于第三次发展的高潮时期,虽然现在的AI技术还尚不成熟,仍然需要大量的人工干预,但是越来越多的专家、互联网寡头、各个工业领域、大量金融资本都不断的涌入AI的研究中,期待AI会有更广阔的发展,让未来的生活更加智能、更加美好。
 

图2 神经网络的演化
 

二、实验目的
(1)知识
  • 理解机器视觉感知与智能识别系统组成原理,了解基于深度学习的系统设计及开发流程。
  • 理解深度学习模型超参数作用与对训练结果的影响。
  • 掌握数据集构建与增广、深度学习网络模型结构及构建方法。
  • 掌握深度学习算法的工程应用方法。
(2)能力
  • 通过模拟机器视觉感知与能识别系统的理论运用、模型设计和软件虚拟等操作,培养学生思辨、综合分析和工程实践能力。
  • 利用模型构建和网络优化等实验步骤交互操作和多维评价方法,结合虚拟仿真实验随时随地学习特性,培养学生自主学习和终身学习能力。
(3)素养
  • 采用案例式教学方法将课程思政融入专业实验教学,培养学生系统思维、工程素养和科学探索精神,增强学术自信。
 

北京欧倍尔机器视觉感知与智能识别虚拟仿真实验软件可以促进理解机器视觉感知与智能识别系统形成的原理,了解深度学习系统的理念,实现对知识的学习与巩固。软件还具有检验自身学习情况的功能,师生都可以了解知识的掌握程度。北京欧倍尔在传感器仿真项目上做了突破,采用案例式教学方法将课程思政融入专业实验教学,培养学生系统思维、工程素养和科学探索精神,增强学术自信。