一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

計(jì)算機(jī)視覺(jué)的解決方案

mK5P_AItists ? 來(lái)源:人工智能頭條 ? 2020-05-11 11:02 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

經(jīng)過(guò)一段漫長(zhǎng)時(shí)期的沉寂之后,人工智能正在進(jìn)入一個(gè)蓬勃發(fā)展的新時(shí)期,這主要得益于深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)近年來(lái)取得的長(zhǎng)足發(fā)展。更準(zhǔn)確地說(shuō),人們對(duì)深度學(xué)習(xí)產(chǎn)生的新的興趣在很大程度上要?dú)w功于卷積神經(jīng)網(wǎng)絡(luò)(CNNs)的成功,卷積神經(jīng)網(wǎng)絡(luò)是一種特別擅長(zhǎng)處理視覺(jué)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

但是,如果有人告訴你卷積神經(jīng)網(wǎng)絡(luò)存在根本性的缺陷,你會(huì)怎么看呢?而這一點(diǎn)是被譽(yù)為“深度學(xué)習(xí)鼻祖”和“神經(jīng)網(wǎng)絡(luò)之父”的Geoffrey Hinton教授在2020年度人工智能頂級(jí)會(huì)議 – AAAI大會(huì)上作的主題演講中提出的,AAAI(譯注:AAAI全稱為美國(guó)人工智能協(xié)會(huì))大會(huì)是每年主要的人工智能會(huì)議之一。

Hinton,與Yann LeCun和Yoshua Bengio一起出席了這次會(huì)議,這三大深度學(xué)習(xí)巨頭,圖靈獎(jiǎng)的獲得者,被業(yè)界并稱為“深度學(xué)習(xí)教父”。Hinton談到了卷積神經(jīng)網(wǎng)絡(luò)(CNNs)和膠囊網(wǎng)絡(luò)的局限性,并提出這是他在人工智能領(lǐng)域的下一個(gè)突破方向。

和他所有的演講一樣,Hinton深入探討了許多技術(shù)細(xì)節(jié),這些細(xì)節(jié)使得卷積神經(jīng)網(wǎng)絡(luò)與人類視覺(jué)系統(tǒng)相比越來(lái)顯得效率低下而且不同。本文將會(huì)詳細(xì)闡述他在大會(huì)上提出的一些要點(diǎn)。但在我們接觸這些要點(diǎn)之前,讓我們像以往一樣,了解關(guān)于人工智能的一些基礎(chǔ)知識(shí),以及為什么卷積神經(jīng)網(wǎng)絡(luò)(CNNs)對(duì)人工智能社區(qū)來(lái)說(shuō)如此重要的背景和原因。

01

計(jì)算機(jī)視覺(jué)的解決方案

在人工智能的早期,科學(xué)家們?cè)噲D創(chuàng)造出一種計(jì)算機(jī),它能像人類一樣“看”世界。這些努力導(dǎo)致了一個(gè)全新的研究領(lǐng)域的產(chǎn)生,這就是計(jì)算機(jī)視覺(jué)。

計(jì)算機(jī)視覺(jué)的早期研究涉及到符號(hào)人工智能的使用,其中的每個(gè)規(guī)則都必須由人類程序員指定。但是問(wèn)題在于,并不是人類視覺(jué)設(shè)備的每一個(gè)功能都可以用明確的計(jì)算機(jī)程序規(guī)則來(lái)分解。所以,這種方法的使用率和成功率都非常有限。

另一種不同的方法是機(jī)器學(xué)習(xí)。與符號(hào)人工智能相反,機(jī)器學(xué)習(xí)算法被賦予了一個(gè)通用的結(jié)構(gòu),并通過(guò)對(duì)訓(xùn)練實(shí)例的檢驗(yàn)來(lái)開(kāi)發(fā)自己的行為能力。然而,大多數(shù)早期的機(jī)器學(xué)習(xí)算法仍然需要大量的人工,來(lái)設(shè)計(jì)用來(lái)檢測(cè)圖像相關(guān)特征的部件。

卷積神經(jīng)網(wǎng)絡(luò)(CNNs),與以上兩種方法不同,這是一種端到端的人工智能模型,它開(kāi)發(fā)了自己的特征檢測(cè)機(jī)制。一個(gè)訓(xùn)練有素的多層次卷積神經(jīng)網(wǎng)絡(luò)會(huì)以一種分層的方式自動(dòng)識(shí)別特征,從簡(jiǎn)單的邊角到復(fù)雜的物體,如人臉、椅子、汽車、狗等等。

卷積神經(jīng)網(wǎng)絡(luò)(CNNs)最早是在20世紀(jì)80年代由LeCun引入,當(dāng)時(shí)他在多倫多大學(xué)的Hinton實(shí)驗(yàn)室做博士后研究助理。但是,由于卷積神經(jīng)網(wǎng)絡(luò)對(duì)計(jì)算和數(shù)據(jù)的巨大需求,它們被擱置了下來(lái),它在那個(gè)時(shí)間獲得的采用非常有限。而后,經(jīng)過(guò)三十年的發(fā)展,并且借助計(jì)算硬件和數(shù)據(jù)存儲(chǔ)技術(shù)取得的巨大進(jìn)步,卷積神經(jīng)網(wǎng)絡(luò)開(kāi)始充分發(fā)揮其強(qiáng)大的潛力。

今天,得益于大型的計(jì)算集群、專用的硬件和海量的數(shù)據(jù),卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和對(duì)象識(shí)別方面已經(jīng)得到了廣泛而且有益的應(yīng)用。

卷積神經(jīng)網(wǎng)絡(luò)的每一層都將從輸入圖像中提取特定的特征。

02

卷積神經(jīng)網(wǎng)絡(luò)(CNNs)與人類視覺(jué)的區(qū)別

在AAAI大會(huì)的演講中,Hinton指出:“卷積神經(jīng)網(wǎng)絡(luò)(CNNs)充分利用了端對(duì)端的學(xué)習(xí)方式。事實(shí)證明,如果一項(xiàng)功能在某個(gè)地方不錯(cuò),那么在其他地方也會(huì)很不錯(cuò),因此他們贏得了巨大的成功。這使得它們可以結(jié)合證據(jù),并很好地在不同位置進(jìn)行泛化。然而,它們與人類的感知非常不同?!?/p>

計(jì)算機(jī)視覺(jué)的關(guān)鍵挑戰(zhàn)之一是處理現(xiàn)實(shí)世界中的數(shù)據(jù)差異。我們的視覺(jué)系統(tǒng)可以從不同的角度、不同的背景和不同的光照條件下識(shí)別物體。當(dāng)物體被其他物體部分遮住或以古怪的方式著色時(shí),我們的視覺(jué)系統(tǒng)利用線索和其他知識(shí)來(lái)填補(bǔ)缺失的信息以及我們這樣看的理由。

事實(shí)證明,創(chuàng)建能夠復(fù)制相同對(duì)象識(shí)別功能的人工智能非常困難。

Hinton說(shuō):“卷積神經(jīng)網(wǎng)絡(luò)(CNNs)是為解決物體的平移問(wèn)題而設(shè)計(jì)的”。這意味著一個(gè)訓(xùn)練有素的卷積神經(jīng)網(wǎng)絡(luò)可以識(shí)別一個(gè)對(duì)象,而不管其在圖像中的位置如何。但是他們并不能很好地處理視點(diǎn)變化的其他效果,例如旋轉(zhuǎn)和縮放。

根據(jù)Hinton的說(shuō)法,解決這個(gè)問(wèn)題的一種方法是使用4D或6D地圖來(lái)訓(xùn)練人工智能,然后執(zhí)行對(duì)象檢測(cè)。他補(bǔ)充道:“但這實(shí)在是令人望而卻步?!薄?/p>

目前,我們最好的解決方案是收集大量的圖像,在不同的位置顯示每個(gè)對(duì)象。然后,我們?cè)谶@個(gè)龐大的數(shù)據(jù)集上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),希望它能看到足夠多的對(duì)象示例以進(jìn)行泛化,并且能夠在真實(shí)世界中以可靠的準(zhǔn)確度來(lái)檢測(cè)對(duì)象。諸如ImageNet這樣的數(shù)據(jù)集包含超過(guò)1,400萬(wàn)個(gè)帶有注釋的圖像,目的就是旨在實(shí)現(xiàn)這一目標(biāo)。

Hinton說(shuō)道:“這不是很有效。我們希望卷積神經(jīng)網(wǎng)絡(luò)能夠毫不費(fèi)力地推廣到新的視點(diǎn)。如果他們學(xué)會(huì)了識(shí)別某些東西,而你把它放大10倍并旋轉(zhuǎn)60度,那么這根本不會(huì)給他們帶來(lái)任何問(wèn)題。我們知道計(jì)算機(jī)圖形學(xué)就是這樣,我們希望卷積神經(jīng)網(wǎng)絡(luò)更像這樣?!?/p>

事實(shí)上,ImageNet已經(jīng)被證明是有缺陷的,它目前是評(píng)估計(jì)算機(jī)視覺(jué)系統(tǒng)的首選基準(zhǔn)。盡管數(shù)據(jù)集龐大,但是它無(wú)法捕獲對(duì)象的所有可能角度和位置。它主要由在理想照明條件下以已知角度拍攝的圖像組成。

這對(duì)于人類視覺(jué)系統(tǒng)來(lái)說(shuō)是可以接受的,因?yàn)樗梢暂p松地進(jìn)行知識(shí)泛化。事實(shí)上,當(dāng)我們從多個(gè)角度觀察到某個(gè)對(duì)象后,我們通??梢韵胂笏谛挛恢煤筒煌曈X(jué)條件下的外觀。

但是卷積神經(jīng)網(wǎng)絡(luò)(CNNs)需要詳細(xì)的示例來(lái)說(shuō)明他們需要處理的案例,而且他們不具備人類思維的創(chuàng)造力。深度學(xué)習(xí)開(kāi)發(fā)人員通常試圖通過(guò)應(yīng)用一個(gè)稱為“數(shù)據(jù)增強(qiáng)”的過(guò)程來(lái)解決這個(gè)問(wèn)題,在這個(gè)過(guò)程中,他們?cè)谟?xùn)練神經(jīng)網(wǎng)絡(luò)之前翻轉(zhuǎn)圖像或少量旋轉(zhuǎn)圖像。實(shí)際上,卷積神經(jīng)網(wǎng)絡(luò)將在每個(gè)圖像的多個(gè)副本上進(jìn)行訓(xùn)練,每個(gè)副本都會(huì)略有不同。這將有助于人工智能針對(duì)同一對(duì)象的變化進(jìn)行泛化。在某種程度上,數(shù)據(jù)增強(qiáng)使得人工智能模型更加健壯。

然而,數(shù)據(jù)增強(qiáng)無(wú)法涵蓋卷積神經(jīng)網(wǎng)絡(luò)和其他神經(jīng)網(wǎng)絡(luò)無(wú)法處理的極端情況,比如說(shuō),一張上翹的椅子,或者放在床上的一件皺巴巴的T恤衫。這些都是現(xiàn)實(shí)生活中像素操縱無(wú)法實(shí)現(xiàn)的情況。

ImageNet與現(xiàn)實(shí)對(duì)比:在ImageNet(左列)中,對(duì)象放置整齊,處于理想的背景和光照條件下。而現(xiàn)實(shí)世界比它混亂得多(資料來(lái)源:objectnet.dev),已經(jīng)有人通過(guò)創(chuàng)建能夠更好地表示現(xiàn)實(shí)世界的混亂現(xiàn)實(shí)的計(jì)算機(jī)視覺(jué)基準(zhǔn)和訓(xùn)練數(shù)據(jù)集來(lái)解決這一泛化問(wèn)題。但是,盡管它們可以改進(jìn)當(dāng)前人工智能系統(tǒng)的結(jié)果,但它們并不能解決跨視點(diǎn)泛化的根本問(wèn)題??倳?huì)有新的角度、新的照明條件、新的顏色和姿勢(shì),而這些新的數(shù)據(jù)集并不能包含所有這些情況。這些新情況甚至?xí)棺畲?、最先進(jìn)的人工智能系統(tǒng)陷入混亂。

03

差異可能是危險(xiǎn)的

從上面提出的觀點(diǎn)來(lái)看,卷積神經(jīng)網(wǎng)絡(luò)(CNNs)顯然是以與人類截然不同的方式來(lái)識(shí)別物體的。但是,這些差異不僅在弱泛化上存在局限,而且還需要更多的示例來(lái)學(xué)習(xí)一個(gè)對(duì)象。卷積神經(jīng)網(wǎng)絡(luò)生成對(duì)象的內(nèi)部表示形式也與人腦的生物神經(jīng)網(wǎng)絡(luò)非常不同。

這是如何表現(xiàn)出來(lái)的?“我可以拍攝一張照片,再加上一點(diǎn)點(diǎn)噪點(diǎn),卷積神經(jīng)網(wǎng)絡(luò)就會(huì)將其識(shí)別為完全不同的東西,而我本人幾乎看不出它們有什么不同。這似乎真的很奇怪,我認(rèn)為這是證據(jù),卷積神經(jīng)網(wǎng)絡(luò)實(shí)際上是在使用與我們完全不同的信息來(lái)識(shí)別圖像?!?Hinton在AAAI會(huì)議上的主題演講中說(shuō)道。

這些稍加修改的圖像被稱為“對(duì)抗性樣本”,是人工智能領(lǐng)域的研究熱點(diǎn)。

對(duì)抗性樣本可能會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行錯(cuò)誤分類,而對(duì)人眼卻沒(méi)有影響。

Hinton說(shuō):“并不是說(shuō)這是錯(cuò)的,他們只是使用一種完全不同的方式來(lái)工作,而且他們這種完全不同的做法在如何泛化方面也會(huì)有一些不同?!?/p>

但是許多例子表明,對(duì)抗性干擾可能是極其危險(xiǎn)的。當(dāng)你的圖像分類器錯(cuò)誤地將熊貓標(biāo)記為長(zhǎng)臂猿時(shí),這一切都是可愛(ài)和有趣的。但是,當(dāng)自動(dòng)駕駛汽車的計(jì)算機(jī)視覺(jué)系統(tǒng)缺少了一個(gè)停車標(biāo)志時(shí),而繞過(guò)面部識(shí)別安全系統(tǒng)的邪惡黑客,或者谷歌照片將人類標(biāo)記為大猩猩時(shí),你就會(huì)有大麻煩了。

關(guān)于檢測(cè)對(duì)抗性擾動(dòng)并創(chuàng)建可抵抗對(duì)抗性擾動(dòng)的強(qiáng)大的人工智能系統(tǒng),已經(jīng)有很多研究。但是,對(duì)抗性樣本也提醒我們:我們的視覺(jué)系統(tǒng)經(jīng)過(guò)幾代人的進(jìn)化,已經(jīng)能夠處理我們周圍的世界,我們也創(chuàng)造了我們的世界來(lái)適應(yīng)我們的視覺(jué)系統(tǒng)。因此,如果我們的計(jì)算機(jī)視覺(jué)系統(tǒng)以與人類視覺(jué)根本不同的方式工作,它們將是不可預(yù)測(cè)且不可靠的,除非它們得到諸如激光雷達(dá)和雷達(dá)測(cè)繪等補(bǔ)充技術(shù)的支持。

04

坐標(biāo)系和部分-整體關(guān)系很重要

Geoffrey Hinton在AAAI大會(huì)的主題演講中指出的另一個(gè)問(wèn)題是,卷積神經(jīng)網(wǎng)絡(luò)無(wú)法從對(duì)象及其部分的角度來(lái)理解圖像。它們將圖像識(shí)別為以不同圖案排列的像素斑點(diǎn)。它們也沒(méi)有實(shí)體及其關(guān)系的顯式內(nèi)部表示。

“當(dāng)你將卷積神經(jīng)網(wǎng)絡(luò)想象成各個(gè)像素位置的中心時(shí),你會(huì)越來(lái)越豐富地描述該像素位置上發(fā)生的事情,這取決于越來(lái)越多的上下文。最后,你獲得了如此豐富的描述,以至于你知道圖像中存在哪些對(duì)象。但是它們并沒(méi)有明確地解析圖像。”Hinton說(shuō)。

我們對(duì)物體構(gòu)成的理解有助于我們了解這個(gè)世界,并理解我們以前從未見(jiàn)過(guò)的東西,比如這個(gè)奇特的茶壺。

將對(duì)象分解為多個(gè)部分有助于我們了解其性質(zhì)。這是馬桶還是茶壺?(資源來(lái)源:Smashing lists)

卷積神經(jīng)網(wǎng)絡(luò)中還缺少坐標(biāo)系,這是人類視覺(jué)的基本組成部分。基本上,當(dāng)我們看到一個(gè)物體時(shí),我們開(kāi)發(fā)了一個(gè)關(guān)于它的方向的心理模型,這有助于我們解析它的不同特征。例如,在下圖中,考慮右邊的臉。如果你將其倒置,你會(huì)看到左邊的臉。但實(shí)際上,你不需要物理翻轉(zhuǎn)圖像就可以看到左邊的臉。只需在精神上調(diào)整坐標(biāo)系,就可以看到兩個(gè)面,無(wú)論圖像的方向如何。

Hinton指出:“根據(jù)所施加的坐標(biāo)系,你會(huì)有完全不同的內(nèi)部感知。卷積神經(jīng)網(wǎng)絡(luò)確實(shí)不能解釋這一點(diǎn)。你給他們一個(gè)輸入,他們就有一個(gè)感知,而感知并不依賴于強(qiáng)加的坐標(biāo)系。我想,這與對(duì)抗性樣本有關(guān),也與卷積神經(jīng)網(wǎng)絡(luò)以與人完全不同的方式進(jìn)行感知這一事實(shí)有關(guān)。”

05

從計(jì)算機(jī)圖形學(xué)中吸取教訓(xùn)

Hinton在AAAI會(huì)議上的演講中指出,解決計(jì)算機(jī)視覺(jué)的一種非常簡(jiǎn)便的方法是制作逆向圖。三維計(jì)算機(jī)圖形模型是由對(duì)象的層次結(jié)構(gòu)組成的。每個(gè)對(duì)象都有一個(gè)轉(zhuǎn)換矩陣,該矩陣定義了其相對(duì)于其父對(duì)象的平移,旋轉(zhuǎn)和縮放比例。每個(gè)層次結(jié)構(gòu)中頂級(jí)對(duì)象的變換矩陣定義了其相對(duì)于世界原點(diǎn)的坐標(biāo)和方向。

例如,考慮汽車的3D模型。基礎(chǔ)對(duì)象具有4×4變換矩陣,該矩陣表示汽車的中心位于具有旋轉(zhuǎn)(X = 0,Y = 0,Z = 90)的坐標(biāo)(X = 10,Y = 10,Z = 0)處 。汽車本身由許多對(duì)象組成,如車輪、底盤、方向盤、擋風(fēng)玻璃、變速箱、發(fā)動(dòng)機(jī)等。每個(gè)對(duì)象都有自己的變換矩陣,以父矩陣(汽車的中心)為參照,它們定義了自己的位置和方向。例如,左前輪的中心位于(X=-1.5,Y=2,Z=-0.3)。左前輪的世界坐標(biāo)可以通過(guò)將其變換矩陣與其父矩陣相乘得到。

其中一些對(duì)象可能具有自己的子集。例如,車輪由輪胎,輪輞,輪轂,螺母等部件組成。這些子項(xiàng)中的每一個(gè)都有自己的變換矩陣。

使用這種坐標(biāo)系層次結(jié)構(gòu),可以非常輕松地定位和可視化對(duì)象,而不管它們的姿勢(shì)、方向或視點(diǎn)如何。當(dāng)你要渲染對(duì)象時(shí),將3D對(duì)象中的每個(gè)三角形乘以其變換矩陣及其父對(duì)象的變換矩陣。然后將其與視點(diǎn)對(duì)齊(另一個(gè)矩陣乘法),然后在柵格化為像素之前轉(zhuǎn)換為屏幕坐標(biāo)。

“如果你(對(duì)從事計(jì)算機(jī)圖形學(xué)工作的人)說(shuō):‘你能從另一個(gè)角度向我展示嗎?’他們不會(huì)說(shuō),‘哦,好吧,我很樂(lè)意。但是我們沒(méi)有從那個(gè)角度進(jìn)行訓(xùn)練,所以我們無(wú)法從那個(gè)角度向你展示?!麄冎皇菑牧硪粋€(gè)角度向你展示,因?yàn)樗麄冇幸粋€(gè)3D模型,他們依據(jù)部分和整體之間的關(guān)系對(duì)一個(gè)空間結(jié)構(gòu)進(jìn)行建模,而這些關(guān)系根本不依賴于視點(diǎn)。”Hinton說(shuō)。“我覺(jué)得在處理3D對(duì)象的圖像時(shí),不利用這種漂亮的結(jié)構(gòu)是很瘋狂的。”

膠囊網(wǎng)絡(luò)(Capsule Network),是Hinton的另一個(gè)雄心勃勃的新項(xiàng)目,它嘗試制作逆向計(jì)算機(jī)圖形。盡管膠囊網(wǎng)絡(luò)應(yīng)該有自己獨(dú)立的一套東西,但其背后的基本思想也是拍攝圖像,提取其對(duì)象及其部分,定義其坐標(biāo)系,并創(chuàng)建圖像的模塊化結(jié)構(gòu)。

膠囊網(wǎng)絡(luò)仍在研發(fā)中,自2017年推出以來(lái),它們已經(jīng)經(jīng)歷了多次迭代。但是,如果Hinton和他的同事們能夠成功地使他們發(fā)揮作用,我們將更接近復(fù)制人類的視覺(jué)。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:如果卷積神經(jīng)網(wǎng)絡(luò)存在根本性的缺陷,你會(huì)怎么看?

文章出處:【微信號(hào):AItists,微信公眾號(hào):人工智能學(xué)家】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    利用邊緣計(jì)算和工業(yè)計(jì)算機(jī)實(shí)現(xiàn)智能視頻分析

    IVA的好處、實(shí)際部署應(yīng)用程序以及工業(yè)計(jì)算機(jī)如何實(shí)現(xiàn)這些解決方案。一、什么是智能視頻分析(IVA)?智能視頻分析(IVA)集成了復(fù)雜的計(jì)算機(jī)視覺(jué),通常與卷積神經(jīng)網(wǎng)
    的頭像 發(fā)表于 05-16 14:37 ?156次閱讀
    利用邊緣<b class='flag-5'>計(jì)算</b>和工業(yè)<b class='flag-5'>計(jì)算機(jī)</b>實(shí)現(xiàn)智能視頻分析

    Arm KleidiCV與OpenCV集成助力移動(dòng)端計(jì)算機(jī)視覺(jué)性能優(yōu)化

    生成式及多模態(tài)人工智能 (AI) 工作負(fù)載的廣泛增長(zhǎng),推動(dòng)了對(duì)計(jì)算機(jī)視覺(jué) (CV) 技術(shù)日益高漲的需求。此類技術(shù)能夠解釋并分析源自現(xiàn)實(shí)世界的視覺(jué)信息,并可應(yīng)用于人臉識(shí)別、照片分類、濾鏡處理及增強(qiáng)現(xiàn)實(shí)
    的頭像 發(fā)表于 02-24 10:15 ?565次閱讀

    AR和VR中的計(jì)算機(jī)視覺(jué)

    ):計(jì)算機(jī)視覺(jué)引領(lǐng)混合現(xiàn)實(shí)體驗(yàn)增強(qiáng)現(xiàn)實(shí)(AR)和虛擬現(xiàn)實(shí)(VR)正在徹底改變我們與外部世界的互動(dòng)方式。即便是在引人入勝的沉浸式
    的頭像 發(fā)表于 02-08 14:29 ?1572次閱讀
    AR和VR中的<b class='flag-5'>計(jì)算機(jī)</b><b class='flag-5'>視覺(jué)</b>

    刀片計(jì)算機(jī)設(shè)計(jì)方案:192-6U VPX i7 刀片計(jì)算機(jī)

    6U VPX , 6U VPX , KU5P計(jì)算板 , VPX刀片式計(jì)算機(jī) , 刀片計(jì)算機(jī) , 無(wú)線電通信
    的頭像 發(fā)表于 11-29 15:13 ?578次閱讀
    刀片<b class='flag-5'>計(jì)算機(jī)設(shè)計(jì)方案</b>:192-6U VPX i7 刀片<b class='flag-5'>計(jì)算機(jī)</b>

    工業(yè)中使用哪種計(jì)算機(jī)?

    在工業(yè)環(huán)境中,工控機(jī)被廣泛使用。這些計(jì)算機(jī)的設(shè)計(jì)可承受極端溫度、灰塵和振動(dòng)等惡劣條件。它們比標(biāo)準(zhǔn)消費(fèi)類計(jì)算機(jī)更耐用、更可靠。工業(yè)計(jì)算機(jī)可控制機(jī)器、監(jiān)控流程并實(shí)時(shí)收集數(shù)據(jù)。其堅(jiān)固的結(jié)構(gòu)和專業(yè)功能
    的頭像 發(fā)表于 11-29 14:07 ?708次閱讀
    工業(yè)中使用哪種<b class='flag-5'>計(jì)算機(jī)</b>?

    量子計(jì)算機(jī)與普通計(jì)算機(jī)工作原理的區(qū)別

    ? 本文介紹了量子計(jì)算機(jī)與普通計(jì)算機(jī)工作原理的區(qū)別。 量子計(jì)算是一個(gè)新興的研究領(lǐng)域,科學(xué)家們利用量子力學(xué),制造出具有革命性能力的計(jì)算機(jī)。雖然現(xiàn)在的量子
    的頭像 發(fā)表于 11-24 11:00 ?1481次閱讀
    量子<b class='flag-5'>計(jì)算機(jī)</b>與普通<b class='flag-5'>計(jì)算機(jī)</b>工作原理的區(qū)別

    【小白入門必看】一文讀懂深度學(xué)習(xí)計(jì)算機(jī)視覺(jué)技術(shù)及學(xué)習(xí)路線

    一、什么是計(jì)算機(jī)視覺(jué)?計(jì)算機(jī)視覺(jué),其實(shí)就是教機(jī)器怎么像我們?nèi)艘粯?,用攝像頭看看周圍的世界,然后理解它。比如說(shuō),它能認(rèn)出這是個(gè)蘋果,或者那邊有輛車。除此之外,還能把拍到的照片或者視頻轉(zhuǎn)換
    的頭像 發(fā)表于 10-31 17:00 ?1244次閱讀
    【小白入門必看】一文讀懂深度學(xué)習(xí)<b class='flag-5'>計(jì)算機(jī)</b><b class='flag-5'>視覺(jué)</b>技術(shù)及學(xué)習(xí)路線

    工業(yè)中使用哪種類型的計(jì)算機(jī)?

    工業(yè)計(jì)算機(jī):穩(wěn)健應(yīng)用的基本解決方案各行各業(yè)對(duì)強(qiáng)大計(jì)算解決方案的需求日益增長(zhǎng),導(dǎo)致人們高度依賴工業(yè)計(jì)算機(jī)。這些專用系統(tǒng)專為典型消費(fèi)級(jí)電腦無(wú)法適
    的頭像 發(fā)表于 10-22 17:10 ?691次閱讀
    工業(yè)中使用哪種類型的<b class='flag-5'>計(jì)算機(jī)</b>?

    計(jì)算機(jī)接口位于什么之間

    計(jì)算機(jī)接口是計(jì)算機(jī)硬件和軟件之間、計(jì)算機(jī)與外部設(shè)備之間以及計(jì)算機(jī)各部件之間傳輸數(shù)據(jù)、控制信息和狀態(tài)信息的硬件設(shè)備和軟件程序。它在計(jì)算機(jī)系統(tǒng)中
    的頭像 發(fā)表于 10-14 14:02 ?1309次閱讀

    簡(jiǎn)述計(jì)算機(jī)總線的分類

    計(jì)算機(jī)總線作為計(jì)算機(jī)系統(tǒng)中連接各個(gè)功能部件的公共通信干線,其結(jié)構(gòu)和分類對(duì)于理解計(jì)算機(jī)硬件系統(tǒng)的工作原理至關(guān)重要。以下是對(duì)計(jì)算機(jī)總線結(jié)構(gòu)和分類的詳細(xì)闡述,內(nèi)容將涵蓋總線的基本概念、內(nèi)部結(jié)
    的頭像 發(fā)表于 08-26 16:23 ?5179次閱讀

    晶體管計(jì)算機(jī)和電子管計(jì)算機(jī)有什么區(qū)別

    晶體管計(jì)算機(jī)和電子管計(jì)算機(jī)作為計(jì)算機(jī)發(fā)展史上的兩個(gè)重要階段,它們?cè)诙鄠€(gè)方面存在顯著的區(qū)別。以下是對(duì)這兩類計(jì)算機(jī)在硬件、性能、應(yīng)用以及技術(shù)發(fā)展等方面區(qū)別的詳細(xì)闡述。
    的頭像 發(fā)表于 08-23 15:28 ?3610次閱讀

    計(jì)算機(jī)視覺(jué)有哪些優(yōu)缺點(diǎn)

    計(jì)算機(jī)視覺(jué)作為人工智能領(lǐng)域的一個(gè)重要分支,旨在使計(jì)算機(jī)能夠像人類一樣理解和解釋圖像和視頻中的信息。這一技術(shù)的發(fā)展不僅推動(dòng)了多個(gè)行業(yè)的變革,也帶來(lái)了諸多優(yōu)勢(shì),但同時(shí)也伴隨著一些挑戰(zhàn)和局限性。以下是對(duì)
    的頭像 發(fā)表于 08-14 09:49 ?2043次閱讀

    計(jì)算機(jī)視覺(jué)中的圖像融合

    在許多計(jì)算機(jī)視覺(jué)應(yīng)用中(例如機(jī)器人運(yùn)動(dòng)和醫(yī)學(xué)成像),需要將多個(gè)圖像的相關(guān)信息整合到單一圖像中。這種圖像融合可以提供更高的可靠性、準(zhǔn)確性和數(shù)據(jù)質(zhì)量。多視圖融合可以提高圖像分辨率,并恢復(fù)場(chǎng)景的三維表示
    的頭像 發(fā)表于 08-01 08:28 ?1141次閱讀
    <b class='flag-5'>計(jì)算機(jī)</b><b class='flag-5'>視覺(jué)</b>中的圖像融合

    地平線科研論文入選國(guó)際計(jì)算機(jī)視覺(jué)頂會(huì)ECCV 2024

    近日,地平線兩篇論文入選國(guó)際計(jì)算機(jī)視覺(jué)頂會(huì)ECCV 2024,自動(dòng)駕駛算法技術(shù)再有新突破。
    的頭像 發(fā)表于 07-27 11:10 ?1465次閱讀
    地平線科研論文入選國(guó)際<b class='flag-5'>計(jì)算機(jī)</b><b class='flag-5'>視覺(jué)</b>頂會(huì)ECCV 2024

    計(jì)算機(jī)視覺(jué)技術(shù)的AI算法模型

    計(jì)算機(jī)視覺(jué)技術(shù)作為人工智能領(lǐng)域的一個(gè)重要分支,旨在使計(jì)算機(jī)能夠像人類一樣理解和解釋圖像及視頻中的信息。為了實(shí)現(xiàn)這一目標(biāo),計(jì)算機(jī)視覺(jué)技術(shù)依賴于
    的頭像 發(fā)表于 07-24 12:46 ?1806次閱讀