作者：
出版社： 科学出版社
CIP号：2018254119
书号：978-7-03-059426-6
出版地：北京
出版时间：2018.11
定价：￥68
深度学习技术在图像分析、语音识别、自然语言理解等难点问题中都取得了十分显著的应用成果。然而该技术在机器人感知领域的应用相对而言仍然不够成熟，主要源于深度学习往往需要大量的训练样本来避免过拟合、提升泛化能力，从而降低其在测试样本上的泛化误差，而机器人环境感知中涉及的任务与环境具有多样化特性，且严重依赖于机器人硬件平台，因而难以针对机器人各感知任务提供大量标注样本；其次，对于解不唯一的病态问题，即使提供大量的训练数据，深度学习方法也难以在测试数据上提供理想的估计，而机器人感知任务中所涉及的距离估计、模型重构等问题就是典型的病态问题，其输入中没有包含对应到唯一输出的足够信息。针对上述问题，本书以提升深度学习泛化能力为目标、以嵌入先验知识的正则化方法为手段、以机器人环境感知为应用背景展开研究，具体取得了以下四个方面的创新性研究成果：(1)提出约束隐层特征表示的图正则自编码器。(2)提出约束深度神经网络结构的语义正则网络。(3)提出约束深度神经网络结构的嵌套残差网络。(4)提出约束网络输出的深度移动立方体网络。对于上述提出的关键技术，本书在多种机器人环境感知任务上设计了定量与定性实验，在多个数据集上检验了算法的性能，充分验证了在正则化的统一框架下提升深度学习泛化能力的有效性。