风一笑 的blog

移动机器人避障方法简析

作者:张玉坤、刘伟

移动机器人是机器人的重要研究领域,人们很早就开始移动机器人的研究。世界上第一台真正意义上的移动机器人是斯坦福研究院(SRI)的人工智能中心于1966年到1972年研制的,名叫Shakey,它装备了电视摄像机、三角测距仪、碰撞传感器、驱动电机以及编码器,并通过无线通讯系统由二台计算机控制,可以进行简单的自主导航。Shakey的研制过程中还诞生了两种经典的导航算法:A*算法(the A* search algorithm)和可视图法(the visibility graph method)。虽然Shakey只能解决简单的感知、运动规划和控制问题,但它却是当时将AI应用于机器人的最为成功的研究平台,它证实了许多通常属于人工智能(Aritificial Intelligence, AI)领域的严肃的科学结论。从20世纪70年代末开始,随着计算机的应用和传感技术的发展,以及新的机器人导航算法的不断推出,移动机器人研究开始进入快车道。

移动机器人避障方法简析

循环神经网络(RNN)的场景与应用

1. 场景与应用

在循环神经网络可以用于文本生成、机器翻译还有看图描述等,在这些场景中很多都出现了RNN的身影。

2. RNN的作用

传统的神经网络DNN或者CNN网络他们的输入和输出都是独立的。对于这些模型输入的数据跟输出的数据大多是关联不太紧密的场景,但是有些场景输入的数据对后面输入的数据是有关系的,或者说后面的数据跟前面的数据是有关联的。例如,对于文本类的数据,当输入某句话的时候,刚开始输入第一个字的时候,再输入这句话的第二个字时候,其实第二个字要输入什么字其实是跟第一个字是有关联的。所以,对于这样一类的场景,通常是要考虑前面的信息的,以至于引入RNN模型。

对于RNN模型为解决这类问题引入了“记忆”这一概念。循环神经网络的循环来源于其每个元素中都执行相同的任务,但是输出依赖于输入和“记忆”两个部分。

3. RNN结构

循环神经网络(RNN)的场景与应用

卷积神经网络(CNN)之一维卷积、二维卷积、三维卷积详解

作者:szx_spark

由于计算机视觉的大红大紫,二维卷积的用处范围最广。因此本文首先介绍二维卷积,之后再介绍一维卷积与三维卷积的具体流程,并描述其各自的具体应用。

1. 二维卷积

卷积神经网络(CNN)之一维卷积、二维卷积、三维卷积详解

 • 图中的输入的数据维度为 14 × 14 ,过滤器大小为 5 × 5,二者做卷积,输出的数据维度为 10 × 10( 14 − 5 + 1 = 10 )。

图文并茂地讲解卷积神经网络

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。

对比:卷积神经网络、全连接神经网络

图文并茂地讲解卷积神经网络

左图:全连接神经网络(平面),组成:输入层、激活函数、全连接层

右图:卷积神经网络(立体),组成:输入层、卷积层、激活函数、池化层、全连接层

在卷积神经网络中有一个重要的概念:深度

卷积层

卷积:在原始的输入上进行特征的提取。特征提取简言之就是,在原始输入上一个小区域一个小区域进行特征的提取,稍后细致讲解卷积的计算过程。

详解智能视觉传感器的技术和应用

视觉传感技术是传感技术七大类中的一个,视觉传感器是指:通过对摄像机拍摄到的图像进行图像处理,来计算对象物的特征量(面积、重心、长度、位置等),并输出数据和判断结果的传感器。

一、视觉传感器概述

视觉传感技术是传感技术七大类中的一个,视觉传感器是指:通过对摄像机拍摄到的图像进行图像处理,来计算对象物的特征量(面积、重心、长度、位置等),并输出数据和判断结果的传感器。

详解智能视觉传感器的技术和应用

二、分类

1、3D视觉传感技术

深度学习与经典机器学习的优劣势一览!

在过去几年中,深度学习已成为大多数AI类型问题的首选技术,掩盖了经典的机器学习。其中明显的原因是深度学习已经在包括言语、自然语言、视觉和玩游戏在内的各种各样的任务中多次表现出优异的表现。然而,尽管深度学习具有如此高的性能,但使用经典的机器学习和一些特定的情况下,使用线性回归或决策树而不是大型深度网络会更好。

在这篇文章中,我们将比较深度学习与传统的机器学习技术。在这样做的过程中,我们将找出两种技术的优点和缺点,以及它们在哪里,如何获得最佳的使用。

深度学习 > 经典机器学习

一流的表现:深度网络已经实现了远远超过传统ML方法的精确度,包括语音、自然语言、视觉和玩游戏等许多领域。在许多任务中,经典ML甚至无法竞争。例如,下图显示了ImageNet数据集上不同方法的图像分类准确性,蓝色表示经典ML方法,红色表示深度卷积神经网络(CNN)方法。

深度学习与经典机器学习的优劣势一览!

机器学习之特征选择

特征选择方法初识:

1、为什么要做特征选择
在有限的样本数目下,用大量的特征来设计分类器计算开销太大而且分类性能差。

2、特征选择的确切含义
将高维空间的样本通过映射或者是变换的方式转换到低维空间,达到降维的目的,然后通过特征选取删选掉冗余和不相关的特征来进一步降维。

3、特征选取的原则
获取尽可能小的特征子集,不显著降低分类精度、不影响类分布以及特征子集应具有稳定适应性强等特点

主要有三种方法:

1、Filter方法

其主要思想是:对每一维的特征“打分”,即给每一维的特征赋予权重,这样的权重就代表着该维特征的重要性,然后依据权重排序。

主要的方法有:

• Chi-squared test(卡方检验)

5G来了!你不可不知的技术趋势与标准

[导读]自动驾驶、个人AI助手、远程医疗等,都将因为5G技术的突破而实现,到底5G与4G技术的差异在哪里呢?

2017年,5G技术的应用已经被大众所知,例如自动驾驶、个人AI助手、远程医疗等,都将因为5G技术的突破而实现,到底5G与4G技术的差异在哪里呢?这就得从有线、无线传输开始说起。

顾名思义,有线传输代表透过实体介质传送数据,而无线传输则是透过电磁波传送讯号到基地台,接着转往电信系统商的机房传输。以有线传输来说,目前单条光纤最高速度已经能达到26Tbps,几乎是传统网速的上万倍之快,因此,当前世界各国苦心钻研的,是打破无线传输的速度限制。

5G来了!你不可不知的技术趋势与标准
图1 : 整合物联网的全新网络

除了常见的电磁波传送外,近年窜红的还有光波传输Li-Fi(Light Fidelity),是相当于Wi-Fi的可见光无线通信(VLC)技术,能利用发光二极管(LED)灯泡的光波传输数据,除能提供照明与无线联网,还可避免产生电磁干扰。

自然语言处理要解决的问题

1.自然语言处理要解决的问题:

其实,自然语言处理的应用非常广泛,如:

• 垃圾邮件识别
通过自动分析邮件中的文本内容,判断该邮件是否垃圾邮件。

• 中文输入法
通过识别输入的拼音字符串,识别用户希望输入的汉字。

• 机器翻译
将文本从一种语言转成另一种语言,如中英文机器翻译。

• 自动问答、客服机器人
用文本输入一个问题,再返回一段文本作为问题的答案。

……

这里简单罗列了一些NLP的常见领域:分词,词性标注,命名实体识别,句法分析,语义识别,垃圾邮件识别,拼写纠错,词义消歧,语音识别,音字转换,机器翻译,自动问答……

2. 自然语言处理的发展现状

根据stafford教授Dan Jurafsky的介绍:

• 有些问题得到了基本解决,如:词性标注、命名实体识别、垃圾邮件识别。
• 有些问题取得长足进展,如:情感分析、共指消解、词义消歧、句法分析、机器翻译、信息抽取。
• 有些问题依然充满挑战,如:自动问答、复述、文摘提取、会话机器人等。

详解卷积神经网络(CNN)

卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。

概揽

卷积神经网络(Convolutional Neural Networks / CNNs / ConvNets)与普通神经网络非常相似,它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入,并做一些点积计算,输出是每个分类的分数,普通神经网络里的一些计算技巧到这里依旧适用。

所以哪里不同呢?卷积神经网络默认输入是图像,可以让我们把特定的性质编码入网络结构,使是我们的前馈函数更加有效率,并减少了大量参数。

具有三维体积的神经元(3D volumes of neurons)

卷积神经网络利用输入是图片的特点,把神经元设计成三个维度 : width, height, depth(注意这个depth不是神经网络的深度,而是用来描述神经元的) 。比如输入的图片大小是 32 × 32 × 3 (rgb),那么输入神经元就也具有 32×32×3 的维度。下面是图解:

同步内容
--电子创新网--
粤ICP备12070055号