隨著處理效能、內存密度和系統整合度的提升，嵌入式視覺從傳統逐漸擴增到新興應用領域，市場規模在十年內必有顯著增長。目前，嵌入式視覺領域中熱門的話題之一就是機器學習。下面粵嵌淺談一下嵌入式視覺領域當中熱門的機器學習。

　　機器學習涵蓋多個產業重要趨勢，不僅是嵌入式視覺，而且在工業物聯網和云端運算中均發揮極為顯著的作用。對于不熟悉機器學習的人來說，很多時候機器學習是透過神經網絡的創造和訓練而實現的。神經網絡一語極為通用，包含大量截然不同的子類別。這些子類別的名稱一般用于辨識被實現的具體網絡類型。這些網絡在大腦皮層上建模，大腦皮層中每個神經元接收輸入、處理后并將其傳達給另一個神經元。因此，神經元一般由輸入層、多個內部隱藏層和一個輸出層組成。

　　在簡單的層面上，神經元取得輸入、施加權重給輸入，然后在加權輸入總和上執行傳遞函數。其結果隨后傳遞至隱藏層中的另一層，或傳遞給輸出層。將某一階段的輸出傳遞給另一階段而不形成一個周期的神經網絡被稱為“前饋神經網絡”而那些存在反饋、內含定向周期的神經網絡則被稱為“循環神經網絡”。

　　在眾多機器學習應用中極為常用的神經網絡之一是“深度神經網絡”。這類神經網絡擁有多個隱藏層，能實現更復雜的機器學習任務。為了確定每一層使用的權重和偏差值，必須對神經網絡進行訓練。在訓練過程中，為該神經網絡施加一定數量的正確輸入和錯誤輸入，并使用誤差函數教授網絡所需的性能。訓練深度神經網絡可能需要相當龐大的數據集，才足以正確訓練所需性能。

　　機器學習重要的應用之一是嵌入式視覺領域。其中，各類系統正從視覺實現的系統演進為視覺引導的自動化系統。相較于其他較簡單的機器學習應用，嵌入式視覺應用主要的區別在于采用二維(2D)輸入格式。因此，在機器學習實施方案中，采用稱為卷積神經網絡(CNN)的網絡結構，因為它們能夠處理2D輸入。

　　CNN是一種前饋網絡，其中包含多個卷積層和子采樣層以及一個單獨的全連接網絡，以執行終分類。由于CNN的復雜性，它們也被歸類在深度學習類別。在卷積層中，輸入影像被細分為一系列重迭的小模塊。在進行進一步的子采樣和其它階段之前，來自該卷積的結果先使用啟動層建立啟動圖，然后應用到終的全連接網絡上。

　　對于粵嵌嵌入式視覺領域中的機器學習，在這個科技發展的信息時代，機器學習將持續作為眾多應用的重要推動因素，尤其是視覺導向的機器人或所謂的“協作機器人”應用。