您现在所在的是：
→ 浏览主题：
* 帖子主题：
文章数：32
年度积分：50
历史总积分：518
注册时间：
大家好，我之前学的是PLC运动控制方面。今年工作了用的是DCS，但是感觉没什么太大成就感。所以想抽控学学其他东西，现在觉得机器视觉挺不错的，请问下我该如何入手啊，会一点点的C语言，只是一点点。
然后我查了下，大概labview+ni vision这种方式比较容易入门，请问下这方式用的多吗？谢谢各位。
骑着蜗牛绝尘而去
文章数：1622
年度积分：766
历史总积分：4683
注册时间：
&我也不太清楚，听听其他大神的
文章数：12376
年度积分：2296
历史总积分：17648
注册时间：
2015论坛贡献奖
感觉视觉控制系统软硬件价格昂贵，私人是玩不起的。唯有强烈建议老板掏资金购买回来使用并给自己把玩。
[此贴子已经被作者于 20:50:30编辑过]
文章数：1622
年度积分：766
历史总积分：4683
注册时间：
&楼上说的好，自己买一套，啥都知道了
穿孩子的树
文章数：267
年度积分：404
历史总积分：1929
注册时间：
以下是引用在 18:36:29的发言：
大家好，我之前学的是PLC运动控制方面。今年工作了用的是DCS，但是感觉没什么太大成就感。所以想抽控学学其他东西，现在觉得机器视觉挺不错的，请问下我该如何入手啊，会一点点的C语言，只是一点点。
然后我查了下，大概labview+ni vision这种方式比较容易入门，请问下这方式用的多吗？谢谢各位。
labview+ni vision太贵了，自己学的玩可以C++/C#+OpenCV
ketianjian
文章数：66
年度积分：50
历史总积分：421
注册时间：
先了解基础理论知识，当然还是能有视觉设备自己能动手实操，再跟进几个项目，几点结合起来，
文章数：1374
年度积分：1239
历史总积分：3611
注册时间：
我记得公司买欧姆龙一套视觉一主机一相机就要2W以上，我只会最简单的满足公司设备要求，自带软件功能很强大
文章数：769
年度积分：395
历史总积分：3321
注册时间：
回复 #6楼 hmz810220
我们公司买得好贵哟，六千多一个相机，四个相机加控制器就六万多了
文章数：6796
年度积分：1178
历史总积分：14014
注册时间：
2016国庆活动(三)
2013辞旧迎新
我也想问这个问题， 我不要高精度， 我只要用来学习，一般的摄像头加上软件为什么不够？ 有什么不同？
不积硅步，无以至千里；不积小流，无以成江河；九层之台，始于垒土。 & 好好学习，天天向
上。
rongguo863
年度积分：-113
历史总积分：389
注册时间：
此楼内容不符合板块规定，不予显示！
工控学堂推荐视频：今天向余老师学习机器视觉笔记
问题1：目前提取hog特征后，要把右侧特征翻转叠加到左侧来learn或者test，这样做的目的是减少特征、提高运行速度。但是会不会造成一类误报，就是左侧特征强，右侧空白的情况，误认为是目标：
答：这种情况，不管是否翻转，都会有误报。
问题2：Train函数中的形参中，有一个是keepsv，函数说明中指出它=true的话，则在train的循环间保持支持向量。但在代码中，没有实现这一功能。有没有必要实现它？
答：没有必要，因为已经在./var/penson.dat中保存了hard负类。
问题3：Train函数没有对参数C和J初始化，也没有把它们传入到sgd svm中去。有必要使用它们么？
答：目前svm的惩罚因子C是通过lambda来调整的。lambda是步长，在sgd
svm中的作用就相当于惩罚因子。步长长，每次向特征中心移动的距离就大，但是容易“过”；步长短，每次向特征中心移动的距离小，但是运算速度慢。
poslatent函数没有返回num，num在这里没有累加，会不会导致在learn中使用不全的样本特征学习？
答：这是个bug，现在已经解决。
问题5：为什么多次train导致score大范围波动：
答：这因为learn.m中，提取hog特征后没有对特征做L2归一化。目前已经加上了归一化。
问题6：能否对所有特征的重要性排序：
答：目前还不能。而且实际意义不大。
问题7：为什么对于很亮很白的图像，比如天空，会有误报？
答：可能是hog算法内部对梯度归一化造成的。可以加上对检测区域亮度或者梯度最大值的判断来排除。
问题8：如何确定score阈值：
答：这里要改一改。目前的固定阈值-0.5，应该改为正类score排序后的最小的20% score。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。当机器学习遇到计算机视觉——下篇
原文作者：微软剑桥研究院，，
在中，我们为大家介绍了计算机视觉这一领域的概况，并讨论了基于决策森林的像素分类法。目前这个强有效的方法已经被广泛运用在了和上。本文中，我们将着眼于最近十分风靡的深层神经网络（deep neural networks）问题，并介绍其在计算机视觉领域内的成功运用，最后我们将带大家一起放眼计算机视觉和机器学习的未来。
深层神经网络
在过去的几年里，我们视觉领域的研究者们所使用的测试数据集，无论在质量上还是数量上，都实现了飞跃。这些进步在很大程度得益于众包，使数据集达到了百万张已标记图像的规模。其中一个最具挑战性的测试数据集，目前已包含几百万张由数万种不同图像分类标签标注的图片。
多年来ImageNet测试数据集识别工作进展较缓的局面终于在2012年被的成果所打破。他们向我们展示了是如何通过一些看似细微的算法改进，从而更加深层地训练（convolutional neural networks）。最终， ImageNet中1000个图像分类测试的准确性的得到了显著的提升，并获得了大众媒体的广泛关注，甚至导致很多相关的初创公司被大笔收购。从那以后，“深度学习”成为了计算机视觉领域一个非常热门的话题，而近期发表的文章也延伸到了对、和等方法的探讨。
深层卷积网络毫无疑问是相当强大的，但它可以解决计算机视觉领域的一切问题吗？我们确信在未来的几年中，它仍会备受关注并继续推动着这个领域的研究；但同时我们也相信未来还会有其他一个或两个新的突破性改变。谁也说不准会有哪些突破，但我们可以和大家分享一些我们认为很有可能实现的突破点：
图像表述(Representations)：以上的网络模型只完成了对图像内容的简单表述的预测，并没有深入理解例如图像中各物体的位置、物体之间如何相互联系以及某一特定物体在实际生活中的状态（例如我们无法仅仅根据一个人头发较为光泽和他们手里拿着吹风机，就很有把握地推断这个人的头发是湿的）。针对这类问题，等新型测试数据集对那些包含多个对象、无法聚焦到其中某一个的抽象图像，提供更细化的分类标注，从而帮助计算机更好的理解图片含义。
运行效率(Efficiency)：尽管对测试图片的深层网络评估过程可以通过并行计算来加速，但当前的神经网络的每一个训练样例都要遍历网络中的所有节点来输出结果，并没有运用我们在中提到的条件计算的概念。此外，即使配备高速的GPU，训练整个神经网络也要花费数天甚至数周的时间，极大限制了整个实验的周期。
结构化学习(Structure learning)：深层卷积网络基本是由精心的手工设计实现的，历经多年的研究后具有很强的刚性结构。例如，当其中一层或几层发生变化就会影响模型整体的预测。除了简单粗暴地输入特定参数来最优化网络的形态，我们希望未来可以实现直接从数据中层面增加网络结构的灵活性。
近年来，我们在后面两个方面的研究已经有了一些阶段性的进展。尤其是在（decision jungles）的研究方面取得了令人可喜的成果：根部相连接的决策。你可以把一个决策有向无环图看做一个子节点相通的，因此一个子节点可以存在多个父节点。相较于传统的决策树模型，我们不但了这种模型在内存消耗上降低了一个数量级，同时它还能大大提高模型的泛化能力。有向无环图乍一看很像神经网络，但是有两个重要的不同点：第一，其结构可以通过模型的参数进行修改；第二，有向无环图保留了决策树中高效的逻辑运算，即一个测试样例只沿着有向无环图的一条路径传递，而不是像神经网络一样遍历所有节点。目前，我们正在积极尝试结合其他深度学习的形式，譬如
和 ，使得决策丛林模型能够真正有效地替代深层神经网络。
如果你对运用决策丛林模型解决问题感兴趣，可以使用 中的Gemini模块进行深入研究。
总的来说，计算机视觉前途的一片光明。当然，这也很大程度上得益于对机器学习的研究。近年来计算机视觉领域的快速发展已令人十分振奋，但我们坚信未来会看到它更多惊艳的成果。
相关链接：
京公网安备97号如何学习机器视觉_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
如何学习机器视觉
上传于|0|0|暂无简介
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩33页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢}