<noframes id="vx7tt"><noframes id="vx7tt">

    <pre id="vx7tt"></pre>

    <track id="vx7tt"></track>
    <pre id="vx7tt"></pre>
    <pre id="vx7tt"><ruby id="vx7tt"><ol id="vx7tt"></ol></ruby></pre>
    <p id="vx7tt"><ruby id="vx7tt"><b id="vx7tt"></b></ruby></p>

    <track id="vx7tt"></track>

      <p id="vx7tt"><ruby id="vx7tt"></ruby></p>

      計算機視覺如何突破困局?

      2019-02-17 13:39:42

      近期,計算機視覺奠基者之一,霍金的弟子,約翰霍普金斯大學教授Alan Yuille提出“深度學習在計算機視覺領域的瓶頸已至?!?/p>

        從人工智能的發展過程看,深度學習是繼專家系統之后人工智能應用的又一重要研究領域,也是人工智能和神經計算的核心研究課題之一。Alan Yuille認為,現在做AI不提神經網絡,成果都很難發表了,這不是一個好勢頭。如果人們只追求神經網絡的潮流,拋棄所有老方法,也不去想如何應對深度網絡的局限性,那么這個領域可能很難有更好的發展。

        深度學習確實是一個讓人向往的技術,這無可辯駁。其實,神經網絡這個概念自上個世紀60年代就已經出現了,只是因為最近在大數據、計算機性能上面出現的飛躍,使得它真正變得有用起來,由此也衍生出來一門叫做“深度學習”的專業,當前國內涉及計算機視覺領域中,越來越多的人工智能公司或者研究機構投身到“深度學習”的浪潮中了,國內誕生了如曠視科技、商湯科技、極鏈科技Video++、依圖科技等優秀的初創AI企業。旨在將復雜的神經網絡架構應用在數據建模上,最終帶來前所未有的準確性。

        現在的技術開發成果也確實讓人印象深刻。計算機現在可以辨識圖片和視頻里的東西都是什么,可以將語音轉化成為文字,其效率已經超過了人力范疇。Google也將GoogleTranslate服務中添加了神經網絡,現在的機器學習在翻譯水平上已經逐步逼近人工翻譯?,F實中的一些應用也讓人大開眼界,就比如說計算機可以預測農田作物產量,其準確性比美國農業部還高。機器還能更加精準的診斷癌癥,其準確度也比從醫多年的老醫師還要高。

        美國國防部高級研究計劃局的一名負責人John Lauchbury形容如今人工智能領域內存在著三股浪潮:

        第一股浪潮:知識庫,或是類似于IBM所開發的“深藍”和Waston專家系統。

        第二股浪潮:數據學習,包括了機器學習和深度學習。

        第三股浪潮:情境適應,其中涉及通過利用少量數據,在現實生活中構建出一個可靠的,解釋型的模型。

        從這三股浪潮中,可以發現目前深度學習算法的研究工作進展不錯。

        但深度學習的成果是建立在極其苛刻的前提條件之上。

        不管是“監督學習”,亦或者是“強化學習”,它們都需要大量的數據進行支撐,而且在提前計劃上面表現的非常差,只能做某些最簡單直接的模式辨認工作。

        相比之下,人就能夠從極少數的例子上學到有價值的信息,并且善于在時間跨度很長的計劃,在針對某個情境上有能力自己建造一個抽象模型,并利用這樣的模型來做站在最高處的歸納總結。

        以自動駕駛汽車為例,如果你是采用的“監督學習路徑”,那么你需要從汽車駕駛的情境中提取海量的數據,而且還要以明確標示出來的“動作標簽”進行分類挑揀,比如“停止”“行駛”等。再接下來,你還需要訓練一個神經網絡,使得它能夠從眼下的情景和所與之相對應的行動之間構建因果聯系。

        如果你是采用的“強化學習路徑”,那么你應該給算法一個目標,讓它能夠獨立地判斷當下最優解是什么,電腦在不同的情境之下,為了實現避免撞車的這個動作,它估計要宕機上幾千次。雖然現在已經有了比較大的進展,一些神經網絡可以從數據層面,在相當大的樣本數量上給出一個驚人的成果,但是它們如果單獨拿出一個出來,還是不可靠的,所犯的錯誤也是人一輩子都不可能犯的。

        數據質量的不穩定性帶來的是不可靠、不準確,以及不公平。同樣,輸出的結果,還得取決于輸入的數據質量如何。神經網絡中如果輸入的數據是不準確的,不完整的,那么結果也會錯的離譜,有些時候會造成巨大的損失。不要小看這樣的風險,錯誤的輸出可能會造成極大的危害,以GAN為例,有一些不軌之徒可以以一種人類肉眼無法識別的方式篡改圖片,讓機器錯誤的辨識圖片。篡改的圖片和最初的圖片在我們看來可能是一致的,但是無人駕駛汽車中,汽車就會受到威脅。

        深度學習依然存在瓶頸,但目前它要發揮的作用所需要的前置條件太過苛刻,輸入數據對其最終的結果有著決定性的影響。如果要真正達到理想中的人工智能,這些瓶頸還有待于人們的進一步突破。


      潘金莲AAA片

        <noframes id="vx7tt"><noframes id="vx7tt">

        <pre id="vx7tt"></pre>

        <track id="vx7tt"></track>
        <pre id="vx7tt"></pre>
        <pre id="vx7tt"><ruby id="vx7tt"><ol id="vx7tt"></ol></ruby></pre>
        <p id="vx7tt"><ruby id="vx7tt"><b id="vx7tt"></b></ruby></p>

        <track id="vx7tt"></track>

          <p id="vx7tt"><ruby id="vx7tt"></ruby></p>