很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于卷积神经网络深度学习技术的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对卷积神经网络深度学习技术这篇文章感兴趣的小伙伴可以一起来看看

与传统的基于检测或回归的模型相比，卷积神经网络(CNN)等深度学习技术是人群计数用例的更好选择。Gramener的联合创始人兼分析负责人Ganes Kesari 上周在AnacondaCon 2019 Conference上发表了演讲，谈到如何使用人工智能(AI)模型对物体进行计数。

CNN算法使用基于密度的估量来保留空间信息并可以对计数进行定位，同时还可以估量总体计数。它们还可以准确捕获全局和局部特征。影响人群和线数的一些因素 包括遮挡，密度差，透视变形和摄影机角度。

Kesari讨论了三个商业案例研究：店内营销转换，从相机图像中计数南极企鹅以及在微观图像中计数生物细胞。企鹅追踪项目涉及在16个不同位置安装约100台摄像机，并且每小时拍摄一次的图像历时多年。人群注释用于识别图像中捕获的企鹅。

虽然深度学习(DL)属于机器学习的范畴，但有一个关键的区别。假设我们正在建立一个检测人脸的系统。使用传统的ML，我们将不得不识别并提取关键特征(眼睛，鼻子，下巴..)，然后让软件跨面部学习和匹配这些特征。

但是使用DL，我们可以显示数百张仅带有一个人的名字的面部图片，然后让机器确定出真正的独特之处(脸颊的曲率，或者甚至是人类可能不会注意到的更细微的东西)。机器决定哪些属性足够重要(称为特征检测)以区分人脸，并通过对数据进行数百或数千次迭代(称为历元)来做到这一点。

在过去的十年中，深度学习席卷了机器学习领域，在图片，视频和音频方面尤为有效。它也与结构化数据一起使用，并为我们周围的大多数事物提供支持-例如Facebook朋友推举和大多数新闻源中的文章推举。