- ?
北邮夺冠CVPR 2018 DeepGlobe比赛,他们是这样做卫星图像识别的
雷丹萱
展开
大数据文摘出品
在刚刚结束的CVPR2018: DeepGlobe Road Extraction Challenge(全球卫星图像道路提取)比赛中,北京邮电大学信息与通信工程学院模式识别实验室张闯老师指导的研究生周理琛同学,脱颖而出,取得第一名的好成绩。
本届CVPR规模浩大,有超过3309篇论文投稿,接收979篇论文。此次DeepGlobe道路检测比赛参加队伍众多,包括许多专业级的卫星公司和研究机构(其中,Road Extraction Challenge比赛的第2-4名都来自专业的地图和导航公司)。
获奖的北邮模式识别实验室和周理琛同学向大数据文摘独家解读了他们的夺冠方法论,还将带来一次公开分享,一起来学习吧!
关注大数据文摘,报名公开课,聆听来自冠军的获胜法宝~~~
赛题和数据
基于卫星图像的道路检测在城市规划,自动驾驶,应急指挥等领域有很广泛的应用场景。此次比赛的任务是将卫星图像中的道路部分提取出来,即将每个属于道路部分的像素点标注为道路,其他部分标注为背景(属于一个二元分割的问题)。
比赛的数据由全球知名的卫星数据公司数字地球(DigitalGlobe)提供,由FACEBOOK, UBER, IEEE GRSS, DigitalGlobe, CrowdAI, OVSI, Kitware等公司赞助。
比赛分为三个子任务:卫星图像道路提取(84队参与)、房屋提取(26队参与)以及地表覆盖分类(38队参与)。参赛队伍包括MIT, CrowdAI, MapBox, Neuromation公司,EOS数据分析中心,清华大学、同济大学、哈工大、国立台湾大学、商汤科技等团队。
数据集和道路检测示例
比赛数据集包含6226张训练图像,1243张验证图像,以及1101张测试图像。所有的图像尺寸均为1024*1024,图像来源于泰国、印度、印度尼西亚,图像场景包括城市、乡村、荒郊、海滨、热带雨林等多个场景。
从卫星图像中分割道路是一项十分具有挑战的任务,该任务可以应用于地图生成、汽车自动驾驶与导航等多个场景。同时,卫星图像道路分割相较于一般的分割任务,有其独特性和困难性,具体表现为:在卫星图像中,目标道路所占据画幅比例普遍偏小;河流、铁路等又与道路过于相似,甚至人眼也难以判别;道路分叉连通情况也很复杂,这对于道路提取的识别精度有着相当高的要求。
另外,在卫星图像中,道路往往狭窄、且具有先验的连通性,几条道路可能会互相交叉连通,且整体跨度覆盖整张图片,传统的图像分割方法很难适用。这都给卫星图像中的道路检测带来了难度。
夺冠方法详解
数据扩增-图像形态变换:
①、随机翻折:包含水平、竖直、对角线三种翻折方式,每张图片扩增为原来的8倍。
②、随机缩放:将图像随机缩放至多10%。
③、随机偏移:将图像随机上下左右偏移至多10%。
④、随机拉升:将图像随机沿竖直方向或水平方向拉升至多10%。
经过以上四种变换之后,再截取图像中心1024*1024的部分,不足的部分补0。
数据扩增-图像色彩变换:
使用OpenCV,在HSV空间对图像进行色彩变换。在OpenCV中,每个像素的HSV保存在uint8的数据类型中(0~255)。
①、H空间,随机变换(-15~15)。
②、S空间,随机变换(-15~15)。
③、V空间,随机变换(-30~30)。
数据扩增示意图:中心处为原图
模型结构D-LinkNet
北京邮电大学模式识别实验室提出了融合的D-LinkNet方法,该方法在提升网络识别精度的同时,增加网络接收域,保留图像的空间细节信息,并实现多尺度特征融合,有效提升了识别精度、缓解道路连通性问题。
模型总体结构如下:
D-LinkNet34示意图
D-LinkNet使用LinkNet作为基本骨架,使用在ImageNet数据集上与训练好的ResNet作为网络的encoder,并在中心部分添加带有shortcut的dilated-convolution层,使得整个网络识别能力更强、接收域更大、融合多尺度信息。
网络的中心部分可以展开如下图,图中所示的并联结构可以有效的融合多尺度特征。Dilated-convolution可以有效扩张接收域,从上到下对应的接收域分别是31、15、7、3、1,最后将每条支路的结果相加,便得到融合的特征。
网络中心部分展开示意图
损失函数/测试时扩增(TTA)
损失函数的公式如下所示。损失函数包含两部分,其中红框部分是dice coeff loss,绿框部分是Binary cross entropy loss。公式中P指代网络输出的预测结果,GT指代真实标签,N指代batchsize。
损失函数
由于卫星图像具有翻折和旋转不变性,在测试时,我们将图像进行水平、竖直、对角线三种翻折,每张图片预测8次,然后将8次的结果平均。(我们没有旋转图片是出于预测时间的考虑)
比赛结果和技术分享
测试集上最终结果
各项比赛任务优胜者排名表
论文链接:
http://openaccess.thecvf/content_cvpr_2018_workshops/w4/html/Zhou_D-LinkNet_LinkNet_With_CVPR_2018_paper.html
代码及PPT:
https://github/zlkanata/DeepGlobe-Road-Extraction-Challenge
北京邮电大学模式识别实验室介绍
北京邮电大学模式识别实验室由郭军教授(日本东北学院大学博士、博士生导师、北京邮电大学副校长)于1998年依托信号与信息处理国家重点学科以及模式识别与智能系统信息产业部重点学科而创建,是国内较早开展人工智能领域研究的著名实验室之一,也是信息内容安全技术国家工程实验室的组成部分。
实验室长期从事模式识别、机器学习、数据挖掘、网络搜索等方面的研究,在国际顶级期刊及会议TPAMI、PR、PRL、SCIENCE、 TIP、TIFS、CVPR、ECCV、SIGIR上发表论文多篇,参加人工智能领域国际评测NIST-TREC评测、AI CHALLENGER、阿里天池大数据比赛、863评测等也多次获得优异成绩。实验室的马占宇、高升、郭军、徐雅静、蔺志青老师获得2017年吴文俊人工智能科技进步一等奖。
有心的同学可能也注意到了,由大数据文摘字幕组推出的三门火爆的网红课程就是和北邮模式识别实验室合作进行的。
感兴趣的同学通过以下链接就可以进行学习啦~~~
牛津大学xDeepMind 自然语言处理https://study.163/course/introduction/1004336028.htmMIT6.S094深度学习与自动驾驶https://study.163/course/introduction/1004938039.htm斯坦福李飞飞-深度学习计算机视觉https://study.163/course/introduction/1003223001.htm
欢迎报考北邮模式识别实验室硕士博士研究生
- ?
人工智能图像识别大赛最后一年举办,胜者多是中国团队
泡龙套
展开
7 月底,举办第 7 年的 ImageNet 图像识别竞赛公布了 2017 年的,27 支参赛团队超过半数来自中国。其中 WMW 团队以 2.25% 的错误率赢得了图像分类竞赛,团队三人来自北京初创公司 Momenta,一人来自牛津大学;物体识别比赛中,DBAT 团队的识别精确度为 73.1% ,比去年的 66.3% 更进一步,团队成员有 8 人来自南京大学,两人来自伦敦帝国学院。
比赛结果
2014 年,Google 获得了大赛的优胜,但之后就没有再参加比赛。而且,今年的 ImageNet 大赛将是最后一次举行。
ImageNet 是什么?
简单的说,ImageNet 是一个给人工智能用的视觉识别库,里面都是包含定义和分类的图片。比如哺乳动物这个词条包含猫、狗等所有哺乳动物,下一级分类就细分为猫、狗等分类,其中单独包含这些分类的图片。
普林斯顿大学副教授,华裔科学家李飞飞是 ImageNet 的创始人之一。这个数据库一开始并不包含“竞赛”的性质,2007 年到 2009 年,ImageNet 利用人工、互联网分时雇佣平台等传统方法,收集了超过 320 万个被标记的图像,分为 12 个大类别, 5247 个小类别,比如哺乳动物、汽车和家具等等。
现在的计算机图像识别,基本上都是在一个算法的基础上,用大量分类图片来训练,以达到识别特定物体的效果。举例来说,如果想让一个 AI 认识猫,就必须给它看很多很多猫的照片,不同角度、花色、姿态,最终 AI 可以判断任意一张图片里是不是有猫。
所以,作为一个定义图片库,ImageNet 不仅可以用来训练 AI,还能够验证 AI 是否准确认出了图片里的内容。2010 年开始,ImageNet 设立了竞赛规则,开始邀请全世界的计算机科学研究者参加竞赛,比赛内容是比较算法识别特定图像的错误率。
2012 年的 ImageNet 比赛是一个。那年,来自多伦多大学的 Geoffrey Hinton、Ilya Sutskever 和 Alex Krizhevsky 提交了名为“AlexNet"的深度卷积神经网络算法,这种算法的图形识别错误率低至 16%,比第二名低超过 40%。可以这么说,人工智能在“看特定的图”这件事上第一次接近了人类。里程碑
从此,深度卷积神经网络算法成了主流的研究方向,图形识别的错误率也一再降低。2015 年的比赛中,计算机看图的错误率已经低至小数点后两位——百分之几,研究者认为,计算机在这种特殊的任务中已经超越了人类。
2015 年之后,由政府资助,中国人参与的团队开始在 ImageNet 里获得更好的成绩。2016 年,公安部第三研究所资助的 Trimps-Soushen 获得“图像目标定位”单项的第一名;南京信息工程大学团队 NUIST 获得“视频中物体探测”子项目的第一;监控摄像机厂商海康威视 HikVision 获得“场景分类”单项的第一。
简单的说,近两年来获奖的项目,主要致力于特殊的任务,比如视频监控和识别。2014 年,Google 组建的团队 GoogLeNet 把物体识别的准确度从前一年的 22.6% 一下提高到 43.9% 之后就不再参加 ImageNet。而今年之后,ImageNet 将停止竞赛论文的提交。
因为基于分类图片的图像识别已经非常准确,没有太大的发展空间了。未来图像识别人工智能的研究将转向没有标注的图片和视频。
未来,由苏黎世联邦理工、Google Reasearch、卡耐基梅隆大学等共同组织的 WebVision 竞赛将接替 ImageNet 的地位,WebVision 的数据直接从网络抓取,没有经过标注,可能本身就包含很多错误的信息,而且分类也更多。从另一个角度来说,这种数据训练出的人工智能,在模糊识别的能力上将更接近人类。
未来,更先进的计算机图形人工智能,或许会在城市监控、罪案侦破方面替代人类,在自动驾驶等领域创造新的生活和工业模式。
题图/bigsnarf.wordpress
- ?
推荐几款OCR识别App(提取图像中的文字,适用安卓与ios)
Jean
展开
Ocr识别技术,说直白一点,就是把以图像形式存在的文字变成可编辑的文字.
比如要把书上的文字复制下来, 需要照着书一个一个字打,但是如果通过ocr识别软件, 我们就可以直接通过拍照的形式把这些文字截取下来.
举个例子:
书本OCR识别之后:
10每个人都听命于三个“长官”控制模式必须因时制宜,一药不能治百疾现在让我们来看看人的行为如何被控制或影响。如果你的车子正需要换轮胎,你可能会先到当初买车的经销商那里去看他们提供哪些选择,然后你可能会到其他修车厂作个比较,你还可能会去翻翻消费杂志来个货比三家。但到最后,你只会以一个标准来作决定:你的自身利益。你想要以最低的代价满足需求。在这种买卖关系中,你会站在经销商或维修厂的立场考虑的可能性极小。因为你并不关心他们的利益,你不会笨到去告诉卖你轮胎的人应该抬高价钱多赚你一点这会儿你换了新轮胎开车上路,没多久便碰上了红灯,你只好停下车。你有没有想过为什么要踩刹车减速?从来没有。“红
怎么样, 很方便吧.
市面有很多软件都有这样的功能, 这边就推荐几款手机上的ocr识别应用.
安卓系统应用-全能分词(锤子BigBang)
各大安卓手机的应用市场都能搜索下载到,小米应用商店名字是"全能分词",酷安里面是"锤子BigBang"(因为作者开发这个App是基于锤子公开的BigBang开源项目的)
安装好之后,登陆时候就有相应的功能介绍
功能介绍软件界面点击文字识别ocr点击从图片中识别文字.可以直接拍摄,也可以从相册取出图片这边选择拍摄,召唤出相机功能对图片进行一些修剪,选择自己要的文字成功分离出文字,可直接复制使用但是, 这个app的ocr技术,还是基于第三方的. 所以,并不是直接能够识别的, 需要进行一些设置才能分离出文字来.
购买app中的会员(不建议)点击app中引导的点击的广告(不推荐)自行设置第三方的ocr支持(强力推荐)
设置第三方ocr秘钥入口作者也非常实在, 在软件中,介绍了如何设置第三方ocr秘钥的很详细的方式.
不过毕竟开发也很辛苦,如果觉得好用,也可以点击一下广告支持下作者.
申请第三方ocr秘钥的方法.苹果IOS与安卓均可用的方案
腾讯QQ (免费,速度快,精度与全能分词差不多,推荐)没有看错, 确实是我们在手机上聊天用的手机QQ. 其实他也自带了ocr识别的功能,如下图
对着文字扫描识别出来结果扫描大师(微信小程序,有次数限制)
微信扫码进入主页点击拍摄, 召唤相机即可拍摄.OCR的识别应用还有非常多, 大家有什么好的方法可以在评论推荐一下.
- ?
人工智能眼中的图像识别,你怎么看?
挥霍
展开
AI人工智能将的到来将带领人类进入一个新的时代,随着计算机技术与信息技术的发展,AI人工智能越来越多的插足我们的日常生活,今天,我们来讲讲那些与AI人工智能有关的图像识别。
随着时代的进步,越来越多的东西也逐渐的依赖于越来越难以捉摸的AI人工智能,不过渐渐的,人们发现后者的一些缺陷也越来越重要。
人类拥有记忆,拥有“高明”的识别系统,比如告诉你在你面前的一只猫它是“猫”,明天你再看到猫,你也一样可以认出来。
可是AI人工智能不行,Google 实验室做过实验,今天,给AI人工智能能够通过一千万张猫的图片,才能让它“认识”猫;知道什么是猫。AI人工智能相对来说,已经具备了一定的意识,或许还是小学生而已。
不过作为人类,人们在通过眼睛查看到光源反射,“看”到了自己眼前的事物,但是可能很多内容元素人们并不在乎;就像你好几天甚至更久前刚刚擦肩而过的一个人,如果你今天再次看到,你不一定会记得他,但是AI人工智能将可以记住所有它见过的任何人,任何事物。
不过那样真的好吗?如果说AI人工智能通过一千万张猫的图片认识了什么是猫,那么需要多少张图片去认识这个世界?
比如这张图,人类会觉得这是很简单的黄黑间条嘛。不过如果你问问最先进的人工智能,它给出的答案会是校车,而且99%地肯定。但AI错了。
确实,现在的人工智能图像识别技术已经非常先进了。比方说,下面这幅图AI虽不能识别出这是一条戴着墨西哥帽的吉娃娃狗(说实话有的人也未必能认出),但是起码能识别出这是一条戴着宽边帽的狗。但是怀俄明大学进化人工智能实验室最近的一项研究却表明,这些AI未必总是那么灵光,就像开篇的例子那样,最先进的AI把这些随机生成的简单图像当成了鹦鹉、乒乓球拍、百吉饼或者蝴蝶。
当研究人员把研究结果提交给神经信息处理系统大会进行讨论时,专家形成了泾渭分明的两派意见。一组人年纪略大,领域经验更丰富,他们认为这个结果是完全可以理解的。另一派人则相对年轻,他们对研究结果的态度是困惑。至少在一开始对强大的算法却把结果完全弄错感到惊讶。
但随着AI不断自我开发自己,有一天我们发现自己搞不懂AI也不奇怪。“计算机做什么不再是人写代码写出来的了,”Clune说:“这几乎是相互作用的组件间的规模效益导致的智能出现。”在这一智能的利用上我们无疑没有浪费时间。但是在我们这么做的时候是否完全理解了它就不太清楚了。
未完待续
- ?
Google 图像识别 AI 眼中的世界是怎样的?
Pdstow
展开
Google 在 2015 I/O 大会上推出的 Google Photos 不仅仅是一个相册,它可以将相册中同一个人物的照片整合在一起,比如回顾一个婴儿从小到大的成长轨迹。通过人工智能的长期学习,它甚至可以自动判断对你重要的时刻、重要的人、和重要的事物。
在其中起到关键作用的是 Google 的图片识别 AI 。它通过学习大量的图片、调整算法来提高识别的精确度。
但是工程师们要如何知道 AI 对图片识别的准确性呢?
通过一个被称为 Inceptionism 的项目,Google 工程师潜入了 AI 的 “梦境”。他们先输入一张图片,让它识别图片中关键的部分;再让 AI 输出一张图片,表达它对图片的理解。
Google 的图片识别 AI 具有 30 层神经网络,每一层对应着不同的抽象程度,比如最低层次能识别光线、色彩,下一层次能识别图片的边缘等等。这样一层层的“训练”需要大量的数据。每一层都能提取出更高层次的细节,而最后一层会决定 AI 对图片的理解。
比如你想知道输入怎样的图片会让 AI 认为是“香蕉”,可以从一张满是噪点的图片开始,然后慢慢调整,直到它输出你想让它识别的事物。
在测试中,当试图询问哑铃是什么时,Google AI 输出了带手臂的哑铃,在输入学习的图片库中,哑铃都是和手臂一起出现的。那么提高认识精确度的办法就是,在训练学习中多输入一些哑铃单独出现的图片。
在不同的层次输入图片会得出不同的结果,比如在一些测试中,就出现了这些多眼多足的“神兽”。
Google 还专门为这些图片建了一个相册。有的如同超现实主义的艺术作品,有的则十分惊悚。这些图片至少能够表明,AI 眼中的世界显然与人类还有很大的差距。
而用户对此的反应也不一而足。有人看了以后评论道:
“这是我见过最恐怖的东西。如果 AI 眼中的世界是我们永远都不可能看到的,那么我们要怎么回应它们的行为?”
而另一位用户则认为:
“我很怀疑这是我们可以称为‘智能’的东西。它很奇特、吸引人、很酷,但是计算机并不是在绘画或者做梦,它只是在遵循设定的程序而已。”
- ?
深度学习笔记:图像识别和卷积网络
Molly
展开
图像识别和卷积网络
1.图像识别问题简介和经典数据集
MNIST手写体数字Cifar分为Cifar-10和Cifar-100,数据集中的图片为32x32的彩色图片ImageNet:基于WordNet的大型图像数据库,1500w图片被关联到2000个名词的词集上2.卷积神经网络
输入层: 图像的原始像素输出层:每一个节点代表不同类别的可信度参数增多导致计算速度减慢,同时容易过拟合,所以通过卷积网络可以有效减少参数个数
分类的卷积网络由一下5种结构组成:
输入层。在图像处理中,一般代表一张图片的像素矩阵。三维矩阵,长宽代表图像大小,深度代表色彩通道。RGB深度为3卷积层。卷积层每一节点输入只是上层网络一小块,常用3x3 5x5。获取抽象程度更高的特征。池化层。不会改变三维矩阵的深度,但会缩小矩阵大小。将分辨率高的图片转化为分辨率较低,可以进一步缩小全连接层中节点个数,达到减小参数的目的全连接层。一般由1到2个全连接层得出最后结果。经过几轮卷积和池化后,图像中的信息被抽象成信息含量更高的特征。全连接层完成分类任务Softmax层。主要用于分类问题,得到当前样例属于不同类别的概率分布。3. 卷积网络常用结构
3.1 卷积层
过滤器(filter)/卷积核(kernel): 将当前层网络上的一个子节点矩阵化为下一层神经网络上的一个单位节点矩阵。
单位节点矩阵: 长宽都为1,深度不限的节点矩阵。
如上图所示,过滤器的前向传播过程就是通过左侧小矩阵中的节点计算出右侧单位矩阵中节点的过程。
卷积层的参数个数只和过滤器尺寸、深度和当前层节点深度有关。[5,5,3,16]表示尺寸5x5x3 的深度为16的过滤器。
在卷积网络中,每个卷积层使用的过滤器参数都是一样的。共享过滤器参数可以使得图像内容不受位置的影响,还可以减小网络参数。
Tensorflow实现卷积层
import tensorflow as tf# 通过tf.get_variable的方式创建过滤器的权重变量和偏置项变量。# 卷积层的参数个数只和过滤器尺寸、深度和当前层节点深度有关# 当前声明变量为4维矩阵,前两维度表示过滤器尺寸,第三个维度:当前层的深度# 第四个维度:过滤器的深度filter_weight = tf.get_variable( 'weights', [5, 5, 3, 16], initializer=tf.truncated_normal_initializer(stddev=0.1))# 偏置项也共享,本例中过滤器深度16,也是下一层节点矩阵的深度biases = tf.get_variable('biases', [16], initializer=tf.constant_initializer(0.1))# tf.nn.conv2d实现卷积前向传播计算。# 第一个参数:当前层的节点矩阵# 第二个参数:卷积层的权重# 第三个参数:不同维度上的步长,长度为4数组,但1,4维一定为1# 第四个参数:填充(padding),SAME:全0填充 VALID:不添加conv = tf.nn.conv2d( input, filter_weight, strides=[1, 1, 1, 1], padding='SAME')# tf.nn.bias_add函数给每一个节点加上偏置项。bias = tf.nn.bias_add(conv, biases)# 将计算结果通过RELU激活函数进行去线性化actived_conv = tf.nn.relu(bias)3.2 池化层
有效缩小矩阵尺寸,较少全连接层参数,加快计算速度,防止过拟合。
池化层前向传播过程通过移动一个类似过滤器的结构完成,采用最大值或平均值运算。主要有两种:
最大池化层(max pooling):取最大值平均池化层(average pooling):取平均值卷积层过滤器横跨整个深度,池化层过滤器只影响一个深度上的节点
TensorFlow实现池化层(max pooling)
# tf.nn.max_pool实现了池化层前向传播的过程,参数和conv2d类似# 第一个参数:当前层的节点矩阵,四维# ksize:过滤器尺寸, 第一维和最后一维必须为1# strides:步长,第一维和最后一维必须为1# padding:是否全0填充pool = tf.nn.max_pool(actived_conv, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')池化层过滤器常用尺寸为[1, 2, 2, 1]或者[1, 3, 3, 1]
平均池化层: tf.nn.avg_pooling()函数,参数同上。
4. 经典卷积网络模型
4.1 LeNet-5模型
第一层,卷积层
本层输入为原始图像像素输入层大小:32x32x1。第一个卷积层过滤器尺寸为:5x5深度:6不使用全0填充步长为:1这一层输出尺寸:32-5+1=28,深度为6本层共有:5x5x1x6+6=156个参数,6为偏置项下一层节点矩阵有28x28x6=4704个节点,每个节点和5x5=25个当前层节点相连,本层共有4704x(25+1)=122304个连接第二层,池化层
本层输入为上一层的输出,为:28x28x6节点矩阵过滤器大小:2x2长、宽、步长:都是2本层输出:14x14x6第三层,卷积层
本层输入矩阵:14x14x6过滤器大小:5x5,深度:16不使用全0填充步长为1本层输出矩阵:10x10x16本层有5x5x6x16+6=2416个参数,10x10x16x(25+1)=41600个连接第四层,池化层
本层输入矩阵:10x10x16滤波器大小:2x2步长:2本次输出矩阵:5x5x16第五层,全连接层
本层输入矩阵:5x5x16本层输出节点个数:120共有:5x5x16x120+120=48120个参数第六层,全连接层
本层输入节点个数:120输出节点个数:84总参数个数:120x84+84=10164第七层,全连接层
本层输入节点个数:84输出节点个数:10总参数个数:84x10+10=850个Tensorflow实现LeNet-5模型,解决MNIST
LeNet-5无法很好处理类似ImageNet的较大图像数据集
经典用于图片分类问题的卷积网络架构
输入层—>(卷积层+ —> 池化层?)+ —>全连接层+
卷积层+表示:一层或多层卷积层(一般最多连续使用3层卷积层)池化层?表示:没有或者一层池化层。(池化层可以起到减少参数防止过拟合,但可通过调整卷积层步长达到同样效果,因此部分架构中没有池化层)全连接层+表示:一个或多个全连接层。(一般1-2个)LeNet-5结构:输入层—>卷积层—>池化层—>卷积层—>池化层—>全连接层—>全连接层—>输出层VGGNet 卷积网络架构参考
convX-Y:过滤器边长为X,深度为Y(conv3-64表示过滤器长宽都为3,深度为64)一般卷积层的过滤器边长不超过5过滤器深度上,逐层递增。每经过一次池化层后,卷积层过滤器深度会乘以2卷积层步长一般为1池化层大多为最大池化层池化层过滤器边长一般为2或者3,步长也为2或者34.2 Inception -v3模型
Inception -v3模型中的inception结构是将不同的卷积层通过并联的方式结合在一起
一个卷积层可用边长为1、3、5的过滤器,选哪个?Inception模块的方案是:同时使用所有不同尺寸的过滤器,将得到的矩阵拼接起来。示意图如下:
所有过滤器使用全0填充并且步长都为1前向传播的结果矩阵长宽与输入矩阵一致,经过不同滤波器处理的结果矩阵可拼接为更深的矩阵,在深度这个维度上组合起来Inception-v3模型共有46层,由11个Inception模块组成Inception-v3模型有96个卷积层
- ?
0基础也能建自己的图像识别系统
歪斜
展开
今天有人在王者荣耀开黑群里问我,
AR除了扫图片还能干什么呢?
靠,好啊!等了那么久,
装逼的机会终于来了。
我说,这个可多了,
你要是够牛逼,
你也可以用物体识别技术
做个像去年迪斯尼和谷歌合作的
Pete's Dragon 那样的webAR 游戏啊,
请看AR酱往期文 《APP滚出,迪士尼上线AR网页游戏》
不要问我为什么在王者荣耀群里聊AR。
我们的心里只有工作。
但我没有告诉他的是,
其实就算你不牛逼,
以现在的技术发展水平,
已经到了就算完全不懂深度学习,
要搭建一个简单的物体识别功能,
其实也就是分分钟的事啦。
连我这个文科生都学会了。
IBM的 Watson 系统大家应该都听说过
就是那个能变身超级不倒问,
在问答游戏领域碾压人类的那个。
用它来做实现,
简直So Easy。
装逼分割线
那为了要用Watson,
首先我们得上IBM的IBM Bluemix平台上
(https://console.bluemix/catalog/services/visual-recognition/)
创建一个账号并生成credentials
注册成功后,
你应该就能看到
Visual Recognition service了。
如果没有看到也没关系,
可以在Catalog页面下找到
看我看我,我在这里
成功创建服务后,
你应该能在Service Credentials下的View Credentials里找到API Key。
再看我
找到了API Key后,
就能顺利访问服务了。
然后只要点击
create classifier 按钮,
就可以创建分类器了。
给这个分类器取个名字,
比如今天刚好在看星球大战,
就叫Starwar吧。
再给每个人物创建一个分类
然后,到百度上
批量下载一些星战人物的图片
将训练用的图片打包成zip格式
上传到每一个你需要识别人物
(图片不要太少,
至少找个100来张吧,
然后每个人物
再各找个15张作为测试图片)
然后,嗒嗒嗒嗒嗒。
好了,完工啦。
你已经学会搭建一个图像识别系统了。
如果要测试分类器是工作得怎么样,
可以直接拖一张图片
放到Starwar的方块里测试。
Starwar下面的 id
就是需要在SDK或者直接用CURL来
访问这个分类器的id。
curl -X POST \-F "images_file=@{IMAGE.jpg}" \"https://gateway-a.watsonplatform/visual-recognition/api/v3/classify?version=2016-05-20&threshold=0.0&api_key={API_KEY}&classifier_ids={CLASSIFIER_ID}"
记得替换Replace {API_KEY},
{IMAGE.jpg}和
{CLASSIFIER_ID}
这几个值。
如果一切正常,
你应该会获得类似这样的反馈。
{ "custom_classes": 2, "images": [{ "classifiers": [{ "classes": [ {"class": "Darth Maul", "score": 0.559958}, {"class": "Darth Vader", "score": 0.047293} ], "classifier_id": "StarWars_1680254220", "name": "Star Wars" }], "image": "my_test_photo.jpg" }], "images_processed": 1}
如果之前大家用过Catchoom之类的
图像识别API,
会发现其实使用方法差不多。
都挺简单的。
大家如果有兴趣的话,
明天我看看是不是把怎么用
Tensorflow来搭建
也写了。
报告各位,
装逼完毕!
敬礼
礼毕
AR酱原创,转载务必注明
- ?
数据猿·金猿榜丨2017中国图像识别领域最具潜力创业公司
光明
展开
“2017中国图像识别领域最具潜力创业公司”盘点源于数据猿推出的“金猿榜”系列内容,旨在通过媒体的方式与原则,发掘大数据领域最具潜力的创新型企业,以及在各细分领域的最具实力代表性企业与人物,利用媒体的力量扩大其影响力并推动行业的整体发展,践行“数据价值落地”的核心理念。
基于此,数据猿通过对成立于2012年之后,在资本市场上获得高度认可,业务发展迅速、业界口碑良好,且为非被收购企业、非上市公司的所有独立创业公司近1年的关注,并与上海大数据联盟、首席数据官联盟、深圳大数据产业协会四方的共同探讨与研究,评选出以下10家在2017年表现优异的中国图像识别领域最具潜力的创业公司供业内参考。
注:以上榜单入选企业,还将在2018年3月份的“数据猿价值峰会”上举行入榜颁奖仪式,敬请期待!(下拉至文末可了解详情)
以下为上榜企业介绍:
商汤科技
【北京市商汤科技开发有限公司】
成立时间:2014年8月
企业标签:人工智能、视觉技术、深度学习
融资情况:共5轮,总金额约41.4亿元
A轮:2014年11月完成数千万美元融资,投资方为IDG资本
A+轮:2016年4月完成数千万美元融资,投资方为Star VC
B轮:2017年7月完成4.1亿美元融资, 投资方为鼎晖、赛领资本、中金公司、基石资本、招商证券(香港)、华兴私募股权基金、晨兴资本、光际资本、尚珹投资、中平资本、东证资本、华融国际、东方国际、TCL资本、盈峰控股、投资人梁伯韬等参投
战略融资:2017年11月获数千万美元融资,投资方为高通Qualcomm Ventures、赛领资本、鼎晖投资、中金公司、基石资本、招商证券、华晟资本-华兴资本、晨兴资本
C轮:2017年11月获15亿人民币投资,投资方为阿里巴巴
(注:以上提到战略融资及C轮融资均未得到官方明确肯定)
管理层团队:
徐立丨联合创始人兼CEO
本科和硕士研究生就读于上海交通大学,博士毕业于香港中文大学,先后在摩托罗拉研究院、欧姆龙研究所、微软研究院、联想研究院等计算机视觉基础研究机构访问工作,主要研究方向是计算机视觉和计算机成像学,拥有十余年基础研究和产品开发经验。在视觉领域国际顶级会议、期刊上发表50余篇论文,曾获得国际会议NPAR 2012最佳论文奖,国际会议ACCV (12) ICCV (15)最佳审稿人奖。其三个算法获得视觉开源平台OpenCV收录,其中L0 Smoothing 为图形学期刊Transaction on Graphics (TOG) 五年论文引用之首 (2011-2015),还获得了《财富》中文版“中国40位40岁以下商业精英”、网易未来科技人物大奖创新商业领袖、《芭莎男士》2017巅峰人物年度创新企业家等荣誉。
关于商汤科技:
商汤科技是全球领先的深度学习平台开发者,专注于计算机视觉和深度学习的原创技术,是中国最大的新锐人工智能公司,估值超过20亿美金。以“坚持原创,让AI引领人类进步”为使命,建立了国内最大的自主研发的深度学习超算中心,并成为中国最大的人工智能算法供应商。目前,商汤科技已与国内外多个行业的400多家领军企业建立合作,包括Qualcomm、英伟达、本田、中国移动、银联、万达、苏宁、海航、中央网信办、华为、小米、OPPO、vivo、微博、科大讯飞等知名企业及政府机构,涵盖安防、金融、智能手机、移动互联网、汽车、智慧零售、机器人等诸多行业,为其提供基于人脸识别、图像识别、视频分析、无人驾驶、医疗影像识别等技术的完整解决方案。
业界评价:
赛领资本总裁刘啸东:“商汤具有极强的科研创新实力和商业变现能力,在深度学习、视觉识别等方面拥有深厚的人才和技术储备,在商业化方面的领先也很明显。商汤有着与Mobileye相似的科研基因,技术卓越性得到众多客户认可。人工智能未来对诸多行业都会产生深远影响,期待商汤未来将扮演使能者的重要角色,带动中国的产业升级。赛领资本将全力支持商汤,带领中国人的原创技术立足中国,走向全球。”
云从科技
【重庆中科云丛科技有限公司】
成立时间:2015年3月
企业标签:人脸识别、计算机视觉、火眼大数据平台
融资情况:共3轮,总金额约7.5亿元
战略融资:2015年4月完成5000万人民币融资,投资方未透露
A轮:2015年12完成2亿人民币融资,投资方未透露
B轮:2017年11月完成5亿人民币融资,由顺为资本、普华资本、元禾原点创投领投,越秀产投、佳都科技、兴旺投资、张江星河、杰翱资本跟投
管理层团队:
周曦丨CEO
中科院重庆院多媒体中心主任,中国科学技术大学学士学位和硕士学位、美国伊利利诺伊大学(UIUC)博士学位,曾在IBM TJ Watson研究中心、微软雷德蒙总部研究院、NEC美国加州研究院从事研究工作。
关于云从科技:
云从科技是一家人脸识别技术及产品研发商,技术核心是通过基于异构深度神经网络的目标深度解析,突破人脸识别在各种复杂环境下通用性差的难题,核心技术源于四院院士、计算机视觉之父——黄煦涛(Thomas S. Huang)教授,核心团队曾于2007年到2016年7次斩获智能识别世界冠军。
业界评价:
新华网:“云从人脸识别智能相机支持超大底库,极速识别,超低带宽占用,性能达到行业的顶级水平。”
依图科技
【上海依图网络科技有限公司】
成立时间:2012年9月
企业标签:计算机视觉、人脸识别、自然语言处理、机器智能
融资情况:共4轮,总金额约4.52亿元
天使轮:2013年8月完成数百万美元融资,投资方为真格基金
A轮:2015年1月完成数百万美元融资,投资方为红杉资本、高榕资本
B轮:2016年6月完成数千万美元融资,由云锋基金领投,跟投方信息未透露
C轮:2017年5月完成3.8亿人民币融资,由高瓴资本集团领投,云锋基金、红杉资本、高榕资本、真格基金跟投
管理层团队:
朱珑丨联合创始人兼CEO
美国加州大学洛杉矶分校(UCLA)统计学博士,师从艾伦·尤尔(Alan Yuille)教授,从事计算机视觉的统计建模和人工智能的研究,之后在麻省理工学院人工智能实验室担任博士后研究员,在纽约大学深度学习鼻祖Yann Lecun的Courant数学研究所担任研究员。
林晨曦丨联合创始人
上海交通大学硕士,曾担任阿里云技术总监,组建并带领百人以上的优秀工程师团队,搭建了国内最大的拥有自主知识产权的飞天分布式云计算操作系统。在加入阿里巴巴集团之前,曾在微软亚洲研究院从事机器学习、计算机视觉、信息检索以及分布式系统方向的研究工作。
关于依图科技:
依图科技是一家从事人工智能创新性研究的公司,将先进的人工智能技术与行业应用相结合,建设更加安全、健康、便利的世界。
业界评价:
《新美国安全中心Digitimes》:“美国最近举办的一场人脸识别技术竞赛,比赛内容是尽可能识别更多正走在舷梯上的登机乘客,一家名为依图科技的中国初创企业赢得比赛最高奖项:2.5万美元现金。与美国相比,中国已不再在技术上处于落后地位,而是成为真正的同行者,可能在人工智能领域拥有超越美国的实力。”
码隆科技
【深圳码隆科技有限公司】
成立时间:2014年7月
企业标签:深度学习、计算机视觉、ProductAI
融资情况:共3轮,总金额约2.94亿元
天使轮:2015年3月完成1200万人民币融资,投资方为达晨创投、远镜创投
A轮:2016年7月完成6200万人民币融资,投资方为达晨创投、远镜创投、中信资本、景林投资、将门创投、可可资本、红筹投资
B轮:2017年11月完成2.2亿人民币融资,投资方为软银中国
管理层团队:
黄鼎隆丨创始人兼CEO
曾在微软工作担任搜索产品总监,还曾担任腾讯商业产品总监、Tripadvisor中国产品副总裁等。
码特丨联合创始人兼CTO
十年微软开发经验,曾任微软亚洲研究院高级研发主管者,曾主导开发“必应词典”,覆盖全球数千万级用户,并成为微软历史上首个荣膺“华尔街日报亚洲创新大奖”(2010)的项目。此外,还拥有 40+ 个中美专利技术,18 个微软技术商业转化成果,国际顶级学术会议及期刊论文 13 篇,曾在顶级期刊《The Proceedings of the IEEE》和《IEEE Computer》发表封面重磅论文。
关于码隆科技:
码隆科技是一家专注于深度学习与计算机视觉技术创新,打造国际领先视觉智能技术平台的人工智能公司,拥有世界一流的顶尖研发团队和经数千万级图像训练的深度学习算法模型,凭借扎实高效的工程架构能力及产品实现能力,为企业客户提供国际领先的计算机视觉解决方案。
业界评价:
软银中国:“码隆科技ProductAI平台实用性很强,我们十分认可团队的研究方向,并期待码隆科技在结合传统行业实践中创造出更大的可能。”
新华网:“在数据智能时代,实时产生的数据是企业的金山银山,而人工智能数据应用解决方案则是开采矿藏的重要途径和方式。码隆科技正在做的事情,就是通过技术和产品创新,助力产业变革。未来任何产品、服务都需要人工智能,这也必将诞生无数垂直细分市场,码隆科技自主研发的人工智能商品识别技术,将会应用到更多领域。”
Yi+陌上花科技
【北京陌上花科技有限公司 】
成立时间:2016年4月
企业标签:视觉引擎、图像和视频识别、衣+、Yi+AI
融资情况:共3轮,总金额约1.61亿元
天使轮:2014年11月完成数百万人民币融资,投资方为乐搏资本、伙伴创投
A轮:2015年11月完成1000万美元融资,由优酷土豆领投,乐搏资本、中金汇财投资、三行资本跟投
B轮:2017年9月完成1亿人民币融资,由海通证券领投,百融骏集团、北京银行跟投
管理层团队:
张默丨联合创始人兼CEO
曾任华为算法工程师、微软Windows Mobile工程师、IBM Smarter City 架构师,主机Linux中国区负责人,中国区开源联盟负责人。北京大学软件工程硕士, 南洋理工大学创业创新硕士。
刘彬丨CTO
毕业于西南科技大学本科 ,上海交通大学硕士,曾任Intel算法工程师、百度深度学习研究院高级算法工程师、阿里巴巴深度学习算法专家。
关于Yi+:
Yi+是领先的计算机视觉引擎服务商,为企业提供视觉内容智能化和商业化解决方案,致力于 “助力客户挖掘视觉信息的商业价值,看见非凡”。在图像与视频中对场景、通用物体、商品、人脸的检测、识别、搜索及推荐均达到领先水平。图像和视频识别准确率等技术指标在顶级计算机视觉竞赛中获得了十项世界第一的成绩。
业界评价:
创业邦:“ 当人工智能遇上电视媒体,Yi+将为未来媒体科技有限公司广大客户及用户提供更多创新的互动方式,用技术革新改变人们的生活方式,整合资源共同变革传统电视媒体,最终完成垂直整合的生态闭环。未来,Yi+将助力持续助力电视媒体,为全行业及产业创造前所未有的生态价值。”
飞象网:“衣+开发的基于高性能GPU服务器的深度学习集群,能快速实现超百层复杂的深度学习网络结构,Amax团队取得这样的竞赛成绩,得力于衣+在深度学习、计算机视觉、人工智能等领域的深厚技术底蕴以及在高难度挑战领域的卓越实力,同时也预示着衣+产品的巨大潜能。”
深醒科技
【北京深醒科技有限公司】
成立时间:2016年1月
企业标签:人脸识别、深度学习、人工智能
融资情况:1轮
A轮:2017年1月完成亿元及以上人民币融资,投资方为昆仲资本、经纬中国、清科创投
管理层团队:
袁培东丨CEO
师从中国人工智能泰斗张钹院士和加拿大两院院士 Patel 教授,在计算机视觉、人脸识别与智能监控等领域有丰富的研发经验。
卢臻丨董事长
原是一家军工A股上市企业的核心高管,北京中电国能工程装备技术有限公司总裁。
关于深醒科技:
深醒科技是一家从事人工智能方向、集研发、生产和销售为一体的高科技创新公司,以基于深度学习的人脸识别技术为突破口,致力打造科技安防、智慧金融、智能交通、平安校园、平安小区等智能综合解决方案。
业界评价:
亿欧网:“在众多的人工智能方向研究的企业中,深醒科技是国内少数几家拥有底层算法模型自主研发能力,并专注于为公安安防研发人脸识别系统的科技公司。与其他国内知名的人脸识别科技公司相比,完全国内独资的深醒科技坚持“自主可控”走完全中国自主发展道路的核心理念,能够满足国家安全、反恐、保密的需要。”
格灵深瞳
【北京格灵深瞳信息技术有限公司】
成立时间:2013年3月
企业标签:图像识别、计算机视觉、视频大数据、三维图像
融资情况:共3轮,总金额约6100万元
天使轮:2013年4月完成数百万人民币融资,投资方为真格基金、策源创投、徐小平
A轮:2014年6月完成数千美元融资,投资方为红杉资本中国
B轮:2017年7月完成B轮融资,具体融资金额未透露,投资方为Samsung Ventures三星、真格基金、合力投资、复朴投资
管理层团队:
赵勇丨创始人、董事长å…...
- ?
一文读懂图像识别,真的没有你想象的那么难!
纪如波
展开
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标的技术。一般工业使用中,采用工业相机拍摄图片,然后再利用软件根据图片灰阶差做进一步识别处理,图像识别软件国外代表的有康耐视等,国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。
图像识别的发展经历了三个阶段:文字识别、数字图像处理与识别、物体识别。文字识别的研究是从 1950年开始的,一般是识别字母、数字和符号,从印刷文字识别到手写文字识别, 应用非常广泛。
数字图像处理和识别的研究很早,至今也有近50年历史。数字图像与模拟图像相比具有存储,传输方便可压缩、传输过程中不易失真、处理方便等巨大优势,这些都为图像识别技术的发展提供了强大的动力。
物体的识别主要指的是对三维世界的客体及环境的感知和认识,属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向,其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差,一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。
图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前,在图像识别的发展中,主要有三种识别方法:统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术,自20世纪70年代,其研究已经有几十年的历史,一直都受到人们的高度重视。
现有的图像分割的方法有许多种,有阈值分割方法,边缘检测方法,区域提取方法,结合特定理论工具的分割方法等。从图像的类型来分有:灰度图像分割、彩色图像分割和纹理图像分割等。至今借助于各种理论提出了数以千计的分割算法,而且这方面的研究仍然在积极地进行着。
早在1965年就有人提出了检测边缘算子,使得边缘检测产生了不少经典算法。但在近二十年间,随着基于直方图和小波变换的图像分割方法的研究计算技术、VLSI技术的迅速发展,有关图像处理方面的研究取得了很大的进展。图像分割方法结合了一些特定理论、 方法和工具,如基于数学形态学的图像分割、基于小波变换的分割、基于遗传算法的分割等。
- ?
图像识别技术:究竟能在商业世界掀起多大波澜?
牛乐蕊
展开
编者按:本文由「图普科技」编译自Image Recognition: Its revolutionary role in the business world
无论怎样,我们不得不承认,在我们所处的当今时代,技术发展对现代生活有着决定性的影响。
但令人喜忧参半的是,科技变化如此之快,我们几乎无法跟上它的脚步,更不用说预测未来了。 其中发展最快速,影响力最大和最吸引人的技术进步之一就是图像识别。
什么是图像识别?
图像识别是计算机视觉的机制之一,而计算机视觉是人工智能的一个分支。
正如我们在AI、机器学习与深度学习的区别一文中提到的那样,人工智能(也称AI)是一种能够模仿人类特征并胜任通常需要人类智能才能完成的任务的计算机系统。
为了让AI更有说服力,我们需要所谓的“计算机视觉”。根据Venture Beat的说法,计算机视觉是“计算机获取,处理和分析主要来自视觉提示或热传感器,超声波等类似来源的数据。
简而言之,计算机视觉使得机器能够“看”事物——甚至包括人类无法看到的事物。例如,位于匹兹堡(美国)的卡内基梅隆大学实际上正致力于研究名为“呼吸凸轮”的计算机视觉应用。该应用配备了四个云连接摄像头,可以让用户监控和记录空气污染,甚至可以追溯到污染的源头。是的,它“看到”了空气质量。
然而,要想让机器做到人类无法做到的事情,我们必须首先使机器能够做到人类可以做的事情:看到并标记物体和生物。这是图像识别的主要功能。
Tensorflow是一个由Google开发人员创建的开源软件库,它将图像识别定义为计算机将图像或视频分解为像素,识别形状,以便“看到”这些图像的内容,并对它们进行分类的过程。
人脸识别中的图像识别 | Sebastian Anthony
例如,股票网站每天都有数百万张图片上传和数十亿的搜索量。通常,网站建设者必须为他们上传的每张照片添加标签和说明,以便与用户的搜索词匹配。通过安装图像识别应用,一旦图像传输到服务器,机器就可以自动识别图像中的人物或物体。然后,它可以自动对图像进行描述,比人类的描述更加具体,从而优化搜索引擎并改善用户体验。
如何实现图像识别?
目前,深度学习是最有可能让机器实现“看”的能力的技术。简单地说,深度学习就是一种机器学习框架,通过模仿人类的神经元系统,为计算机提供自主学习能力。因此,计算机可以准确识别图片中的内容,而无需根据指令安装手动编码的软件——但它需要大量数据才能完成识别。
因此,全世界都在致力于开发大量数据,其中最典型的例子就是ImageNet和PASCAL数据集。经过多年的努力,这些庞大且免费的数据集包含数百万张图像,每张图像都标记有图像内容相关的关键字
1. ImageNet:由普林斯顿大学的研究人员于2009年创建,这个可视化数据集拥有从Flickr等搜索引擎收集的超过1400万个URL图像。在数据集创建过程中,工作人员和志愿者对提交的图片进行了详细地注释,并将其分类为约1000个对象类。
2. PASCAL:PASCAL由欧盟国家各大学联合创建,与ImageNet数据集相比,PASCAL相形见绌 —— 仅有20个对象类,共20,000个训练图像。
正如您可能已经从两者在类数量上的巨大差异中猜到的那样,PASCAL的分类更具通用性。相反,ImageNet注重图像识别技术发展一个关键特征:类间差异性——机器能够识别两张包含同一物种或物体的不同类型的图像,因此图像被分在不同的类别中。例如,虽然同一图片在PASCAL中仅属于“狗”这一类别,但它在ImageNet中可能被分类为“柯基犬”,“牧羊犬”或“哈巴狗”等类。
分类方法PASCAL vs. ImageNet | Savvycom Team
为什么要投资图像学习?
看起来每个人都在这样做,不是吗?因为他们确实在这样做。
2012年,Qualcomm Connected Experiences公司首次推出Vuforia软件平台。该平台利用图像识别技术提供大量的AR和VR相关功能,使得移动应用程序开发人员能够随意扩展视野。
虚拟现实用户| Flickr
Facebook于2016年开始帮助盲人“看”照片和图像。通过使用图像识别,Facebook IOS应用程序将为每张照片生成描述,并为用户大声朗读。
在今年早些时候,谷歌 - 世界上最值得关注的人工智能公司之一 推出了Cloud AutoML--一种旨在简化AI在企业运营中的应用的工具。 Cloud AutoML首先启动了图像识别功能,允许Google用户拖入图像并教会用户系统在Google云上识别图像。迪士尼和Urban Outfitters等公司已将其应用于网站搜索,使结果更符合用户需求。
谷歌 CloudAuto ML | Google
然而,人工智能应用并非大公司的特权。根据彭博首席经济学家McDonough的分析,自2015年中期以来,提及“AI”或“AI公司”的企业财报电话会议越来越多。事实上,80%的受访公司表示在生产中应用了AI应用程序。
为什么有数十亿美元投入到这项技术? 我们的猜测是图像识别潜力巨大。
图像识别是一个非常抽象的领域。但是,当应用于具体情境时,其改变企业的潜力是无可辩驳的。让我们看看各个行业和企业流程中图像识别的几种潜在应用:
1. 医疗保健:图像识别最突出的能力之一是协助创建增强现实(AR)——一种“将计算机生成的图像叠加在用户对现实世界的视角之上”的技术。如果给人工智能提供AR技术和包含疾病视觉提示的数据集,你将有一个永生难忘的医疗助理。 有了它,医生就可以在检查期间获得患者伤口的的实时详细诊断建议或医疗文件。
2. 教育:图像识别可以让有学习困难或身体残疾的学生以他们能够感知的形式获得所需的教育。计算机视觉支持的应用程序可以提供文本到语音和图像到语音功能,帮助视力受损或有阅读障碍的学生“阅读”所提供的内容。
3. 食品和饮料:通过使用图像识别,智能手机上的简单应用可以获得Instagram和Facebook上图像的视觉提示,分析它们并提供实时数据。 例如,根据这些照片,该应用程序可以告诉你新加坡的某家咖啡馆是您家人和朋友经常去的地方,还是一个举办疯狂聚会的场所。通过这种方式,用户可以一目了然地获得本地定制方案,而餐厅也可以有效地接触到目标受众。
4. 电子商务:想象一个用户在街上看到他们想买的东西,但他们找不到人问在哪里可以买到它,因此他拍了一张照片。然后,该用户将其上传到配备图像识别技术的电子商务网站。算法本身可以“看”图片,扫描数百万个可选项,并推荐一个看起来与客户所寻求的相同,至少是最接近的选项。这正是Savvycom在2018年3月创建新AI Lab时的初衷。现在,我们的工程师正在研发人工智能视觉搜索工具,以利用拥有数千种产品的大型电子商务数据集,扩大电商体验。
5. 企业流程管理:先进的图像识别系统还可以在企业经营时协助识别。例如,机器可以进行面部识别,这将取代传统身份证,来确定某人是否被授予执行某项任务的权利:如访问文件存储系统,参加会议或检查工作。然而,我们不得不承认,由于个人情感、化妆等因素的影响,“看”和“识别”人脸比识别物体要复杂得多。因此,Savvycom的目标是尽快在即将开展的项目中解决这个问题。
图像识别技术发展面临哪些障碍?
图像识别并非一个新领域,但放眼全局,它仍处于早期阶段。就像任何一个典型的成长中少年一样,在适应现实世界时也存在问题。
还记得“80%的组织表示他们在生产中应用了AI应用程序”吗?在这些应用了人工智能技术的公司中,约有33%的公司表示采用人工智能技术的最大障碍是不稳定性 - 不成熟且未经证实。34%认为很难招聘到合格的工程师,40%表示信息技术基础设施建设阻碍了人工智能技术的引进,且很容易对公司的财务造成不利影响。
资金也是一个重要影响因素。由于用于数据流编程的开源软件库越来越多,如Microsoft CNTK和Accord.Net,机器学习爱好者能够以极低的成本进行研究和学习。然而,并非所有问题都能得到解决,因为并非一切都是已知的。为了实现产品创意,要平衡预算,公司仍有很长的路要走。
有一种解决方案可以解决许多上述问题:外包。IT外包公司专注于技能和专业知识,能以可预测的管理成本提供高端工具和最佳实践操作。简而言之,他们知道自己在做什么。那是他们的工作。
总而言之,图像识别是计算机视觉时代到来的早期征兆。无论它将如何应用或将应用于哪些行业,图像识别技术永远不可能孤立发展。只有通过访问更多图片,实时数据,花费更多的时间和精力才能使其更加强大。只有认识到这一点,并充分利用这些联系的企业才可能在未来取得成功。