1.1.3　深度學習應用領域

通過模型多層的“學習”，計算機能夠用簡單形象的形式來表達復雜抽象的概念，解決了深度學習的核心問題。如今，深度學習的研究成果已成功應用于推薦算法、語音識別、模式識別、目標檢測、智慧城市等領域，如圖1-2所示。

1．推薦算法

隨著互聯網技術的快速發展，在滿足用戶需求的同時，也帶來了信息過載問題。如何從龐大的信息中快速找到感興趣的信息變得極其重要，個性化推薦也因此變得比較熱門，電商平臺通常利用用戶平時購買商品的記錄，門戶網站通常根據用戶瀏覽新聞的類別，娛樂行業通過分析用戶觀看電影的類型等歷史行為數據來挖掘用戶的興趣，并對其推薦相關的信息。

2．語音識別

語音信號的特征提取與使用是語音識別系統的重要步驟，其主要的目的是量化語音信號所攜帶的眾多相關信息，得到可以代表語音信號區域的特征點，顯示出了其比傳統方法具有更大的優勢。利用深度學習對原始數據進行逐層映射，能夠提取出能較好地代表原始數據的深層次的本質特點，從而提高了傳統的語音識別系統的工作性能。

3．模式識別

傳統的模式識別方法就可以獲得許多傳統特征。然而，傳統的模式識別方法依賴專家知識選取有效特征，過程繁雜、費時費力且成本高昂，很難利用大數據的優勢。與傳統的模式識別方法最大的不同在于，基于深度學習的模式識別方法能夠從數據中自動學習刻畫數據本質的特征表示，摒棄了復雜的人工特征提取過程。

4．目標檢測

目標檢測是計算機視覺領域的研究熱點。近年來，目標檢測的深度學習算法有突飛猛進的發展。目標檢測作為計算機視覺的一個重要研究方向，已廣泛應用于人臉檢測、行人檢測和無人駕駛等領域。隨著大數據、計算機硬件技術和深度學習算法在圖像分類中的突破性進展，基于深度學習的目標檢測算法成為主流。

5．智慧城市

隨著機器視覺技術的不斷發展，基于機器視覺的智慧城市人流量的統計能夠更好地服務群眾，減少安全隱患，增加管理效率。例如，對于智慧城市公共場所的人流密度進行實時統計與跟蹤得到了廣泛的研究和應用，對特色景點和公園等人流密度較大的公共區域進行人數統計，準確地掌握當前區域的游客數量，有利于避免踩踏及偷竊等多種不良事件發生。