1.1.3　深度学习应用领域

通过模型多层的“学习”，计算机能够用简单形象的形式来表达复杂抽象的概念，解决了深度学习的核心问题。如今，深度学习的研究成果已成功应用于推荐算法、语音识别、模式识别、目标检测、智慧城市等领域，如图1-2所示。

图1-2　深度学习应用领域

1．推荐算法

随着互联网技术的快速发展，在满足用户需求的同时，也带来了信息过载问题。如何从庞大的信息中快速找到感兴趣的信息变得极其重要，个性化推荐也因此变得比较热门，电商平台通常利用用户平时购买商品的记录，门户网站通常根据用户浏览新闻的类别，娱乐行业通过分析用户观看电影的类型等历史行为数据来挖掘用户的兴趣，并对其推荐相关的信息。

2．语音识别

语音信号的特征提取与使用是语音识别系统的重要步骤，其主要的目的是量化语音信号所携带的众多相关信息，得到可以代表语音信号区域的特征点，显示出了其比传统方法具有更大的优势。利用深度学习对原始数据进行逐层映射，能够提取出能较好地代表原始数据的深层次的本质特点，从而提高了传统的语音识别系统的工作性能。

3．模式识别

传统的模式识别方法就可以获得许多传统特征。然而，传统的模式识别方法依赖专家知识选取有效特征，过程繁杂、费时费力且成本高昂，很难利用大数据的优势。与传统的模式识别方法最大的不同在于，基于深度学习的模式识别方法能够从数据中自动学习刻画数据本质的特征表示，摒弃了复杂的人工特征提取过程。

4．目标检测

目标检测是计算机视觉领域的研究热点。近年来，目标检测的深度学习算法有突飞猛进的发展。目标检测作为计算机视觉的一个重要研究方向，已广泛应用于人脸检测、行人检测和无人驾驶等领域。随着大数据、计算机硬件技术和深度学习算法在图像分类中的突破性进展，基于深度学习的目标检测算法成为主流。

5．智慧城市

随着机器视觉技术的不断发展，基于机器视觉的智慧城市人流量的统计能够更好地服务群众，减少安全隐患，增加管理效率。例如，对于智慧城市公共场所的人流密度进行实时统计与跟踪得到了广泛的研究和应用，对特色景点和公园等人流密度较大的公共区域进行人数统计，准确地掌握当前区域的游客数量，有利于避免踩踏及偷窃等多种不良事件发生。