博客

根据IDC全球半年度人工智能系统支出指南预测，2019年全球人工智能（AI）系统支出将达到358亿美元，比2018年增加44.0％。随着各行业大力投资采用AI软件功能的项目，人工智能系统支出到2022年将翻一番达到792亿美元，2018年到2020年预测期内的复合年增长率（CAGR）为38.0％。

随着工业4.0时代的到来，机器视觉在智能制造业领域的作用越来越重要，机器视觉技术是如何工作的、它为什么是实现流程自动化和质量改进的正确选择等。机器视觉技术，是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。

噪声问题一直是语音识别的一个老大难的问题，在理想的实验室的环境下，识别效果已经非常好了，之前听很多音频算法工程师抱怨，在给识别做降噪时，经常发现WER不降反升，降低了识别率，有点莫名其妙，又无处下手。分析对比了降噪和没有降噪的识别文本对比和频谱分析，总结了以下这些原因，希望对后面的人有些参考意义。

转置卷积又叫反卷积、逆卷积。不过转置卷积是目前最为正规和主流的名称，因为这个名称更加贴切的描述了卷积的计算过程，而其他的名字容易造成误导。在主流的深度学习框架中，如TensorFlow，Pytorch，Keras中的函数名都是conv_transpose。

计算机具有高储量的硬盘和强大的CPU和GPU。但是智能手机却没有，为了弥补这个缺陷，我们需要技巧来让智能手机高效地运行深度学习应用程序。深度学习是一个令人难以置信的灵活且强大的技术，但运行的神经网络可以在计算方面需要非常大的电力，且对磁盘空间也有要求。这通常不是云空间能够解决的问题，一般都需要大硬盘服务器上运行驱动器和多个GPU模块。

预计到2024年，全球车联网市场的价值将达到1300亿美元左右，在2018-2024年期间的复合年增长率将超过15%。越来越多的电子设备在汽车上的应用，如防撞系统、信息娱乐系统、联网系统和线控驱动技术，将推动全球市场的需求。汽车相关企业以软件即服务的形式向车队提供管理系统，这有助于关键的业务流程，如导航、车辆维护和里程报告，以吸引最大数量的消费者。

光通过角膜、瞳孔、晶状体的折射光线，透过玻璃体到达视网膜。视网膜上分布着光感受器。光感受器按形状可分为两大类：视杆细胞和视锥细胞。色觉的形成与3中视锥细胞相关，它们分别包含光谱吸收峰在光谱红、绿、蓝区的视色素蛋白，分别对红光、绿光、蓝光有最佳反应。

每个运动员都努力在减少受伤的同时充分利用锻炼时间。随着年龄的增长，伤停补时变得越来越糟糕，尤其是当我们在制定健身计划的时候。刚开始的几个月很容易受伤，这会影响你的动力，最终阻碍你今年的目标。

大部分分类任务中，各类别下的数据个数基本上不可能完全相等，但是一点点差异是不会产生任何影响与问题的。在现实中有很多类别不均衡问题，它是常见的，并且也是合理的，符合人们期望的。

计算机视觉：一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。

电影自诞生起到今日已经走过120多年，这120年也是人类科技爆炸式发展的120年。电影在这一百多年经历了翻天覆地的变化，从无声片到有声片，从黑白片到彩色片，从方形荧幕到宽荧幕，从2D平面到3D立体，从简易模型到CGI技术。如今电影又走到了新的节点上，这次带来变革的是5G＋VR技术与影视产业的结合。

想做计算机视觉？深度学习是最近的发展方向。大规模数据集加上深度卷积神经网络（CNN）的表征能力使得超精确和稳健的模型成为可能。由于计算机视觉领域广泛而复杂，因此解决方案并不总是很清晰。计算机视觉中的许多标准任务都需要特别考虑：分类，检测，分割，姿势估计，增强和恢复以及动作识别。

卷积神经网络中的权值更新也是使用误差的反向传播算法。损失函数一般使用最小平方误差函数。由于卷积网络中存在两部分区域：卷积区和全连接区，它们在计算损失时有所不同我们将其分开进行讨论。

深度神经网络是连接主义系统，通过它通过学习例子来完成任务，而不需要事先了解这些任务。它们可以很容易地扩展到数百万个数据点，并且可以通过随机梯度下降进行优化。CNN是DNN的变体，能够适应各种非线性数据点。起始层学习更简单的特征，如边和角，后续层学习复杂的特征，如颜色，纹理等。

蜂窝物联网使用与智能手机相同的广泛覆盖蜂窝网络连接设备。听起来像是Wi-Fi的明显替代品。问题在于，历史上，蜂窝模块一直很昂贵，这增加了构建蜂窝物联网设备的价格。此外，蜂窝服务的成本与用于互联网接入的Wi-Fi相比相形见绌，这在很大程度上是因为他们无法利用无线(OTA)更新。对于小型，电池供电的物联网设备来说，更令人沮丧的是蜂窝电池的巨大功率需求，这会快速耗尽电池电量。

Fast R-CNN就是在R-CNN的基础上采纳了SPP Net的方法，使得性能进一步提高。与R-CNN相比，Fast R-CNN主要有两点不同：一是最后一个卷积层加入了ROI pooling layer，二是损失函数使用了多任务损失函数（multi-task loss），将边框回归Bounding Box Regression直接加入到CNN网络中训练

在一月底结束的2019年国际消费电子产品展会上(CES 2019)，LG总裁兼首席技术官帕克(I.P.Park)发表了关于AI如何促进“自我进化”产品的主旨演讲。“人工智能与伦理”的讨论，成为了这场原本与严肃话题不太相关的消费技术盛会的序幕。

去年开始，工作中需要做许多有关 AI 科普的事情。很长时间里一直在想，该如何给一个没有 CS 背景的人讲解什么是深度学习，以便让一个非技术的投资人、企业管理者、行业专家、媒体记者乃至普通大众明白深度学习为什么会特别有效，理解 AI 是如何帮助人们解决具体问题的。

傅立叶变换在图像处理中有非常重要的作用。因为不仅傅立叶分析涉及图像处理很多方面，傅立 叶改进算法，比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声；边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘......

机器学习的目的是得到可以泛化（generalize）的模型，即在前所未见的数据上表现很好的模型，而过拟合则是核心难点。你只能控制可以观察的事情，所以能够可靠地衡量模型的泛化能力非常重要。