技术服务
为什么深度学习
深度学习可以用更多的数据或是更好的算法来提高学习算法的结果。性能表现方面，深度学习探索了神经网络的概率空间，与其他工具相比，深度学习算法更适合无监督和半监督学习。更适合强特征提取，也更适合于图像识别领域、文本识别领域、语音识别领域等。
缺陷检测基本核心算法
检测
物体检测的任务是找出图像或视频中的感兴趣物体，同时检测出它们的位置和大小，是机器视觉领域的核心问题之一。物体检测过程中有很多不确定因素，如图像中物体数量不确定，物体有不同的外观、形状、姿态，加之物体成像时会有光照、遮挡等因素的干扰，导致检测算法有一定的难度。目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
分割
图像分割是许多视觉理解系统的重要组成部分。它包括将图像（或视频帧）分割成多个片段或对象。由于深度学习模型在视觉应用中的成功，已有大量的工作致力于利用深度学习模型开发图像分割方法，包括完全卷积像素标记网络、编码器-解码器架构、多尺度和基于金字塔的方法、递归网络，视觉attention模型，以及生成对抗模型。
分类
图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。卷积神经网络是一类特殊的神经网络，具有从图像数据中提取独特的图像特征的能力。目前卷积神经网络已经被广泛应用于人脸检测和识别，因为它们非常有助于识别图像数据中的复杂特征。
