Xilinx公司 Nick Ni和Adam Taylor

嵌入式视觉应用中的机器学习

Xilinx公司 Nick Ni和Adam Taylor

目前嵌入式视觉领域最热门的话题之一就是机器学习。机器学习涵盖多个行业大趋势，不仅在嵌入式视觉 (EV)中，而且在工业物联网 (IIoT) 和云计算中均发挥着极为显赫的作用。对不熟悉机器学习的人来说，很多时候机器学习是通过神经网络创建和训练来实现的。神经网络一语极为宽泛，包含相当数量的截然不同的子类别。这些子类别的名称一般用于识别被实现的网络的具体类型。这些网络均在大脑皮层上建模，在大脑皮层中每个神经元接收输入、处理输入并将其传达给另一个神经元。因此神经元一般由输入层、多个隐藏内部层和一个输出层组成。

图1 简单的神经网络

在最简单的层面上，神经元获得输入，施加权重给输入，然后在加权输入总和上执行传递函数。结果随后传递给隐藏层中的另一个层，或传递给输出层。将一级的输出传递给另一级且不构成循环的神经网络被称为前馈神经网络 (FNN)，而那些有反馈、内含定向循环的神经网络则被称为递归神经网络 (RNN)。在众多机器学习应用中极为常用的神经网络是深度神经网络 (DNN)。这类神经网络拥有多个隐藏层，能实现更复杂的机器学习任务。为确定每层使用的权重和偏差值，需要对神经网络进行训练。在训练过程中，该神经网络施加有一定数量的正确输入和错误输入，并使用误差函数教授网络所需的性能。训练深度神经网络可能需要庞大的数据集来正确训练所需性能。……