风清扬 的blog

深度学习时代的目标检测算法综述

作者:Javier Rey

目标检测 VS 其他计算机视觉问题

分类问题

这或许是计算机视觉领域内最著名的问题。它主要指将一张图像归为某种类别。学术界最流行的一类数据集是 ImageNet,由数以百万计已分好类的图像组成,(部分)用于年度 ImageNet 大规模视觉识别挑战比赛(ILSVRC)。近年来,分类模型已经超过了人类的表现,因此该问题基本算是一个已经解决的问题。图像分类领域有许多挑战,但是也有许多文章介绍已经解决了的,以及未解决的挑战。

深度学习时代的目标检测算法综述
分类样例

人工智能在医疗产业的五大应用场景及典型案例

近年来,智能医疗在国内外的发展热度不断提升。有人提出,“尽管安防和智能投顾最为火热,但AI在医疗领域可能会率先落地。”一方面,图像识别、深度学习、神经网络等关键技术的突破带来了人工智能技术新一轮的发展。大大推动了以数据密集、知识密集、脑力劳动密集为特征的医疗产业与人工智能的深度融合。

另一方面,随着社会进步和人们健康意识的觉醒,人口老龄化问题的不断加剧,人们对于提升医疗技术、延长人类寿命、增强健康的需求也更加急迫。而实践中却存在着医疗资源分配不均,药物研制周期长、费用高,以及医务人员培养成本过高等问题。 对于医疗进步的现实需求极大地刺激了以人工智能技术推动医疗产业变革升级浪潮的兴起。

智能医疗的主要应用场景

从全球创业公司实践的情况来看,智能医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他。总结来看,目前人工智能技术在医疗领域的应用主要集中于以下五个领域:

(一)医疗机器人
机器人技术在医疗领域的应用并不少见,比如智能假肢、外骨骼和辅助设备等技术修复人类受损身体,医疗保健机器人辅助医护人员的工作等 。目前实践中的医疗机器人主要有两种:

和传统模式说再见,看机器学习如何走向深度学习?

作者:小鲸

主流的科技公司已在积极地把自己定位成AI或者机器学习公司:谷歌把“AI先行”作为公司战略,Uber自带机器学习的血统,而各种AI研究实验室更是层出不穷。

这些公司都在想尽办法说服世界,“机器智能的革命时代正在到来”。它们尤其强调深度学习,因为这些都在推动自驾汽车、虚拟助手等概念的发展。

尽管现在这些概念很流行,然而当下的实践却没那么乐观。

现在,软件工程师和数据科学家仍在使用许多几年前的算法和工具。

这也意味着,传统的机器学习模式仍在支撑着大多数AI的应用,而不是深度神经网络。工程师仍然用传统工具来处理机器学习,但是这并不起作用:采用数据建模的流水线最终由零散、不兼容的片段构成。这种情况在逐渐变化,因为大型科技公司正在研发具有端到端功能的特定机器学习平台。

和传统模式说再见,看机器学习如何走向深度学习?

机器学习“三明治”中夹了什么?

AI与神经科学是怎样互促互进的?

促进人工智能发展的另外一个因素往往被人们忽略,即经验以及神经科学为人工智能的发展提供了灵感的源泉。本文为你详解二者之间互促互进的关系。

最近,人工智能领域进展显著。在 Atari video games、ancient board game Go和 high-stakes matches of heads-up poker游戏中,人工智能系统已表现出非凡的能力,这种能力胜于人类高级玩家。人工智能产品可以模仿人类的手写体笔迹以及在语音识别方面提供语言翻译服务,还可以将普通的图片以不同的画风展现。例如,人工智能能将人类度假的快照美化成梵高式的画作风格。

以上所述的进步归功于诸多因素,其中包含了统计方法的运用和计算机性能的普遍提升。以神经科学顶级期刊《神经元》中的有关文章来看,促进人工智能发展的另外一个因素往往被人们忽略,即经验以及神经科学为人工智能的发展提供了灵感的源泉。

心理学和神经科学在人工智能的发展中起到举足轻重的作用。人工智能的奠基人Donald Hebb、Warren McCulloch、Marvin Minsky和Geoff Hinton最初的研究动力源自对他们大脑工作机理的浓厚兴趣。事实上,在上个世纪下半叶,与神经网络有关的关键性工作已经兴起,只不过这些工作主要在心理学和神经生理学院开展,并非在如今的数学或物理实验室进行。

期待人工智能突破鲁棒性可解释性局限

近些年,人工智能受到了极大的关注,其主要还归功于深度学习的兴起,极大地推动了机器人控制、计算机视觉、语音识别、自然语言处理等领域的进展,使得很多传统的AI任务取得了一些突破性的进展。例如,在大规模图像数据分类上,1000个类别的分类任务等一些指定的任务,前五个结果的识别错误率深度学习的算法甚至低于人类的水平。当然,最具影响力人工智能系统还数DeepMind公司推出的Alpha Go围棋系统,数度打败了人类的九段棋手。另外,还有一些人工智能系统,在某些特定的任务上,如写诗、作画、音乐生成、写字上甚至通过了图灵测试(注:图灵测试中的测试用户组的专业水平会很大程度影响测试的最终结果和结论)。例如DeepMind的唇语识别系统,甚至也超过了人类唇语识别专家的水平。本文将对当前人工智能的现状做一些初步的思考和探讨。

强化学习带来AI新时代

机器学习教材中的 7 大经典问题

作者:戴文渊

如果希望了解机器学习,或者已经决定投身机器学习,你会第一时间找到各种教材进行充电,同时在心中默认:书里讲的是牛人大神的毕生智慧,是正确无误的行动指南,认真学习就能获得快速提升。但实际情况是,你很可能已经在走弯路。

科技发展很快,数据在指数级增长,环境也在指数级改变,因此很多时候教科书会跟不上时代的发展。有时,即便是写教科书的人,也不见得都明白结论背后的“所以然”,因此有些结论就会落后于时代。针对这个问题,第四范式创始人、首席执行官戴文渊近日就在第四范式内部分享上,向大家介绍了机器学习教材中的七个经典问题。本文根据演讲实录整理,略有删减。

有时我们会发现,在实际工作中,应该怎么做和教科书讲的结论相矛盾,这时候要怎么办呢?难道教科书中的结论出错了?事实上,有时确实如此。所以今天我就想和大家分享一下机器学习教材中的一些经典问题,希望对大家今后的工作和学习有所帮助。

神经网络不宜超过三层

机器人发展冷思考:真能抢你饭碗?引发伦理观重塑?

随着2017世界机器人大会的举办,机器人相关话题迅速升温。那机器人可以给我们解决哪些问题,又带来了哪些困扰,发展趋势如何呢?

机器人应用向多领域渗透

机器人对我们来说已经并不是一个特别陌生的领域,甚至你每天都在和家里面的扫地机器人、早教机器人等打交道,未来或更多。近日,由中国电子学会发布的《中国机器人产业发展报告》显示,随着人工智能技术的进步,智能服务机器人产品类型愈加丰富,向各领域渗透。

“由市场率先落地的扫地机器人、送餐机器人向情感机器人、陪护机器人、教育机器人、康复机器人、超市机器人延伸,服务领域和对象不断扩展。”报告指出。

机器人应用在多领域已经落地,以物流机器人为例,公开资料显示,亚马逊、京东和沃尔玛等已经开始使用。美国机器人工业协会主席Jeff Burnstein在2017世界机器人大会上表示,配货中心如果使用了移动机器人的话,可以减少错误、加速材料的流动,也可以节约储存的空间、改善整个路线的设计,如果是人的话,他们走来走去空间路线的设计没有优化。

机器人还有一个重要应用是进入人类达不到或者非常危险的地方进行作业。比如“核机器人”,据了解,在欧洲牛津附近的核聚变反应堆已经有机器人进去了。2017世界机器人大会秘书长徐晓兰此前接受中新网采访时也表示,“某些领域,根本不适合人类工作,只能由机器人去做。”

人工智能发展的背后 网络安全该如何保障?

随着万物互联时代的来临,互联网以“开放”“包容”的姿态接纳各类型设备的接入,在带来更加便捷生活的同时,各类意想不到的网络安全隐患便悄悄的潜伏在我们周围。进入2017年,WannaCry 病毒与Petya 病毒席卷全球,在短短几小时内袭击100多个国家和组织机构,对于人们的心理、财产和隐私信息产生了严重影响。

如今,网络安全的边界愈发模糊,如何利用人工智能更好地结合与提升网络安全产业将会成为行业领域的研究热点。未来十几年,人工智能将无处不在,其强大的计算能力、深度学习的能力与“天生自带”的自动化属性相结合,将为人工智能装上前进的发动机,在不断完善解决问题的同时,也在不断与更多的领域相结合。

值得关注的是,由于网络病毒数量与类型的逐渐上涨,让网络安全再度受到了前所未有的关注,同时随着人工智能的迅速发展,其优越的自动化作用在网络安全防御和攻击方面发挥着越来越重要的作用。

在Gartner发布2017年度新兴技术成熟度曲线报告中,无处不在的人工智能已经部署在深度学习、自动驾驶、目标识别、人脸识别、人机对话、认知计算、商业无人机(无人机)、对话用户界面、企业分类法和本体管理、机器学习,智能微尘、智能机器人,智能空间等等新兴技术领域。

深度学习已成功应用于这三大领域

在本章中,我们将介绍如何使用深度学习来解决计算机视觉、语音识别、自然语言处理以及其他商业领域中的应用。首先我们将讨论在许多最重要的AI 应用中所需的大规模神经网络的实现。接着,我们将回顾深度学习已经成功应用的几个特定领域。

尽管深度学习的一个目标是设计能够处理各种任务的算法,然而截至目前深度学习的应用仍然需要一定程度的特化。例如,计算机视觉中的任务对每一个样本都需要处理大量的输入特征(像素),自然语言处理任务的每一个输入特征都需要对大量的可能值(词汇表中的词) 建模。

大规模深度学习

深度学习的基本思想基于联结主义:尽管机器学习模型中单个生物性的神经元或者说是单个特征不是智能的,但是大量的神经元或者特征作用在一起往往能够表现出智能。我们必须着重强调神经元数量必须很大这个事实。

相比20世纪80年代,如今神经网络的精度以及处理任务的复杂度都有一定提升,其中一个关键的因素就是网络规模的巨大提升。在过去的30年内,网络规模是以指数级的速度递增的。然而如今的人工神经网络的规模也仅仅和昆虫的神经系统差不多。由于规模的大小对于神经网络来说至关重要,因此深度学习需要高性能的硬件设施和软件实现。

解惑!卷积神经网络原来是这样实现图像识别的

图像识别是非常有趣和具有挑战性的研究领域。本文阐述了卷积神经网络用于图像识别的概念、应用和技术。

什么是图像识别,为什么要使用它?

在机器视觉领域,图像识别是指软件识别人物、场景、物体、动作和图像写入的能力。为了实现图像识别,计算机可以结合人工智能软件和摄像机使用机器视觉技术。

虽然人类和动物的大脑很容易识别物体,但计算机在相同的任务中却遇到了困难。当我们看着像树木、汽车或朋友的东西时,我们通常不需要有意识地去学习后才能判断它是什么。然而,对于计算机,识别任何东西(无论是钟、椅子、人类或动物)都是一个非常困难的问题,并且为该问题找到解决方案的风险非常高。

解惑!卷积神经网络原来是这样实现图像识别的
图片:CS231.github

同步内容
--电子创新网--
粤ICP备12070055号