Widzenie komputerowe to pole, które wykrywa obiekty w sekwencji klatek i przedstawia je w postaci binarnej maski w każdej klatce. Wiele aplikacji wizyjnych, takich jak kontrola ruchu, rozpoznawanie działań, analiza ludzkich zachowań, inspekcja przemysłowa i inteligentny nadzór, to obecnie ważne zagadnienia dla naukowców i przemysłowców. Ostatnio technologia dronów pojawiła się na nowo jako ważne zastosowanie widzenia maszynowego, w którym kamera może poruszać się w pełnym polu 360 stopni. Nawet w kamerach stacjonarnych tło nie może być uznane za statyczne ze względu na niekontrolowane zmiany, takie jak pogoda, oświetlenie itp. Rosnące zainteresowanie wykrywaniem obiektów ruchomych zmusiło naukowców do opracowania solidnych metod rozwiązywania problemów związanych z kamerą i wyzwań z tym związanych. W scenach wewnętrznych środowisko nie jest kontrolowane ze względu na pewne niepożądane wyzwania związane z cieniem, a nagłe wahania światła przy włączaniu i wyłączaniu są bardzo oczywiste. Sceny plenerowe mają swoje własne niepożądane i niekontrolowane wyzwania, takie jak poruszające się drzewa, chmury i zmieniające się oświetlenie w zależności od pory dnia. Wiele badań w tej dziedzinie dotyczyło obecności i nieobecności niekontrolowanych środowisk w scenach obserwowanych przez komputer. Technika odejmowania tła, polegająca na odejmowaniu bieżącej klatki od poprzednich klatek lub klatek tła, wykrywa określony obiekt w scenie. Z biegiem lat wprowadzono wiele postępów w modelowaniu tła, takich jak reprezentacja niskiej i rzadkiej macierzy w kamerze statycznej, gdzie idea polega na tym, że istnieje spójność między zestawami obrazów, więc powstaje niska rangowa i rzadka macierz zawiera wartości odstające. Cel śledzenia obiektów jest inny, ponieważ w śledzeniu cel jest zaznaczany, a następnie lokalizowany w odpowiednich klatkach sekwencji wideo. Skuteczne robienie tego wymaga informacji, takich jak histogram, kolor, tekstura itp., aby modelować podobieństwa i zaktualizować charakterystykę do następnej klatki. Celem nadchodzącej sekcji jest poznanie wyzwań, które należy pokonać w najbliższej przyszłości.
są porównywane z rzeczywistymi wartościami y, aby uzyskać sygnał uczenia się do strojenia wag. Na koniec przyjrzymy się ukrytym warstwom sieci.
a prawdziwą wartością jest y, więc mamy 
Zaczniemy od prostego przypadku: ciężarka takiego jak w3,5, który jest podłączony do jednostki wyjściowej. Działamy bezpośrednio na wyrażeniach definiujących sieć z równania
jako rodzaj „postrzeganego błędu” w punkcie, w którym jednostka 5 otrzymuje swoje dane wejściowe, to gradient względem w3,5 jest po prostu Δ5a3. To ma sens: jeśli Δ5 jest dodatnie, oznacza to, że 
to gradient dla w1,3 staje się po prostu Δ3x1. Tak więc postrzegany błąd na wejściu do jednostki 3 jest postrzeganym błędem na wejściu do jednostki 5, pomnożonym przez informacje na ścieżce od 5 z powrotem do 3. Zjawisko to jest całkowicie ogólne i daje początek terminowi backropagation dla sposób, w jaki błąd na wyjściu jest przekazywany z powrotem przez sieć. Inną ważną cechą tych wyrażeń gradientowych jest to, że mają one jako czynniki lokalne pochodne g’j(wj). Jak wspomniano wcześniej, te pochodne są zawsze nieujemne, ale mogą być bardzo bliskie zeru (w przypadku funkcji sigmoid, softplus i tanh) lub dokładnie zero (w przypadku ReLU), jeśli dane wejściowe z przykładu uczącego chodzi o umieszczenie jednostki j w płaskim obszarze roboczym. Jeśli pochodna g’j jest mała lub zerowa, oznacza to, że zmiana wag prowadzących do jednostki j będzie miała znikomy wpływ na jej wyjście. W rezultacie głębokie sieci z wieloma warstwami mogą ucierpieć z powodu zanikającego gradientu – sygnały błędów są całkowicie wygaszone, gdy są propagowane z powrotem przez sieć. Pokazaliśmy, że gradienty w naszej małej przykładowej sieci są prostymi wyrażeniami, które można obliczyć, przekazując przez sieć informacje z powrotem z jednostek wyjściowych. Okazuje się, że ta właściwość obowiązuje bardziej ogólnie. W rzeczywistości, , obliczenia gradientu dla dowolnego grafu obliczeń z wyprzedzeniem mają taką samą strukturę jak bazowy graf obliczeń. Własność ta wynika wprost z zasad różniczkowania. Pokazaliśmy krwawe szczegóły obliczenia gradientu, ale nie martw się: nie ma potrzeby ponownego wyprowadzania w równaniach dla każdej nowej struktury sieci! Wszystkie takie gradienty można obliczyć metodą automatycznego różniczkowania, która stosuje reguły rachunku różniczkowego w sposób systematyczny do obliczania gradientów dla dowolnego programu numerycznego. W rzeczywistości metoda wstecznej propagacji w uczeniu głębokim jest po prostu zastosowaniem zróżnicowanie trybów, które stosuje zasadę łańcucha „od zewnątrz do wewnątrz” i zyskuje korzyści wynikające z wydajności programowania dynamicznego, gdy dana sieć ma wiele wejść i stosunkowo mało wyjść. Wszystkie główne pakiety do uczenia głębokiego zapewniają automatyczne różnicowanie, dzięki czemu użytkownicy mogą swobodnie eksperymentować z różnymi strukturami sieci, funkcjami aktywacji, funkcjami utraty i formami kompozycji bez konieczności wykonywania wielu obliczeń w celu uzyskania nowego algorytmu uczenia się dla każdego eksperymentu. Zachęciło to do podejścia zwanego uczeniem od końca do końca, w którym złożony system obliczeniowy do zadania takiego jak tłumaczenie maszynowe może składać się z kilku możliwych do trenowania podsystemów; cały system jest następnie szkolony w sposób kompleksowy z par wejścia/wyjścia. Dzięki takiemu podejściu projektant musi mieć jedynie mgliste pojęcie o tym, jak powinien być zbudowany cały system; nie trzeba z góry wiedzieć, co dokładnie powinien zrobić każdy podsystem ani jak oznaczyć jego wejścia i wyjścia.
. Wewnętrzna struktura funkcji odzwierciedla strukturę sieci. Na przykład możemy napisać wyrażenie na wyjście 
w następujący sposób:
