在进一步阐述深度学习之前，我们需要了解什么是机器学习（Machine Learning）。机器学习是人工智能的一个分支，在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。
深度学习又是机器学习研究中的一个新的领域，其动机在于建立可以模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如，图像、声音和文本。
自动驾驶主要分为几大技术模块：感知技术，高精度地图和决策技术。就MINIEYE 最熟悉的感知技术来说，目标定位、目标分割、目标回归都涉及到了深度学习，具体到功能上，包括车道线检测、可行驶区域判定，前车测距中的车辆边缘精细回归等等，解决这些视觉问题都离不开深度学习。
自动驾驶为什么需要深度学习？
在视觉感知方面，深度学习对于提升识别精确性有明显的提升。
例如利用视觉技术判定和前车的碰撞时间，在不依赖雷达的情况下，我们可以利用的信息只有前车在摄像头中的宽度随时间的变化率。
然而，对于这类较远的车辆，一个像素的边缘偏差都会带来米级的距离估计误差，例如 60 米远的车辆，在图像中可能就只有 40 像素的宽度，这就对算法本身提出了挑战，基于深度学习的车辆检测算法可以利用回归方法，精确定位前车的边沿，在短时间内根据前车边缘的变化率判断两车的碰撞时间。
目前，在 MINIEYE 的视觉解决方案中，深度学习运用到了车辆、行人检测，车道线检测，以及之前提到的碰撞预警相关的技术上。同时在DMS（Driver Monitoring System）中，几乎所有技术都采用了基于CNN的解决方案，包括人脸检测、特征点回归，人脸识别验证，打手机，抽烟等不良动作的识别。
运用深度学习进行车辆分类与特征点回归
