呆板学习不绝推动视觉物联网应用厘革,将经典的盘算机视觉与深度学习相结合进行的研究,显示出了更好的结果。


  盘算机视觉是物联网(IoT)遍及应用的底子。家庭成员通过安装了摄像头的家庭监控系统就能了解家里的所有情况。呆板人和無人机使用视觉系统映射情况并制止行进中的障碍物。增强现实眼镜使用盘算机视觉来笼罩用户视图上的重要信息;汽车通过来自安装在车辆上多个照相机捕获的图像,向驾驶员提供有助于防备碰撞的围绕或“鸟瞰”视图。种种应用案例数不胜数。

    多年來,設備成果(包罗計算能力、內存容量、功耗、圖像傳感器辨别率以及光學系數)的指數式演變提高了物聯網應用中計算機視覺的性能和本钱效益。伴隨這些而來的是精密軟件算法的發展和完善,例如人臉檢測和識別、物體檢測和分類以及同步定位和映射等。

機器學習的興起和面臨的挑戰

    近年来,人工智能(AI),尤其是深度学习的生长,进一步加快了物联网视觉应用的激增。与传统的盘算机视觉技能相比,深度学习为物联网开发人员在诸如目标分类等任务方面提供了更高的准确性。由于深度学习中使用的神经网络是“通过训练”而不是“编程”实现的,使用这种要领的应用通常更易进行开发,从而更好地利用当前系统中可用的大量图像和视频数据。深度学习还提供了卓越的多成果性,这是因为与针对性更强的盘算机视觉算法相比,神经网络研究和框架的用途更广。

    但是,深度学习的优势并非没有权衡和挑战。深度学习需要大量的盘算资源,用于训练和推测阶段。最近的研究表明,差别的深度学习模型所需的盘算能力与深度学习技能的精度之间存在紧密的干系。在基于视觉的应用步伐中,从75%到80%的精度转变可能需要不少于数十亿次特别的数学运算。


  使用深度學習的視覺處理結果也取決于圖像辨别率。例如,爲了在目標分類過程中獲得最充实的表現需要高辨别率的圖像或視頻,從而提升了需要處理、存儲和傳輸的數據量。圖像辨别率對于需要在遠處探測和目標分類的應用尤爲重要,例如企業安防攝像頭。

計算機視覺與機器學習結合獲得更佳性能

傳統的計算機視覺和深度學習要领之間有明顯的折中。傳統的計算機視覺算法已經成熟,經過驗證,並且在性能和功率效率方面進行了優化;而深度學習能提供更高的精度和多成果性,但是需要大量的計算資源。

那些希望快速实施高性能系统的用户发明,将传统盘算机视觉和深度学习相结合的殽杂要领可以提供两全其美的解決方案。例如,在安防摄像头中,盘算机视觉算法可以有效地检测场景中的人脸或移动物体。然后,通过深度学习来处理惩罚检测到的面部或目标图像的较小片段,以进行身份验证或目标分类。与整个场景、每帧深度学习相比,节省了大量的盘算资源。

充实利用邊緣計算

就像使用純粹的深度學習一樣,用于視覺處理的殽杂要领可以充实利用邊緣的異構計算能力。異構計算架構有助于提高視覺處理性能和能效,爲差别的事情負載分派最高效的計算引擎。當深度學習推斷是在DSP上執行而不是在CPU上執行時,測試結果顯示目標檢測延遲低落了10倍。


  與雲計算相比,在物聯網設備自己上運行算法和神經網絡推斷也有助于低落延遲和帶寬要求。邊緣計算還可以通過減少雲存儲和處理要求來低落本钱,同時通過制止在網絡上傳輸敏感或可識別的數據來保護用戶的隱私和宁静。


  深度学习创新正在推动物联网突破,以及将这些技能与传统算法相结合的殽杂技能的生长。视觉处理惩罚只是一个开始,因为相同的原则可以应用于其他领域,如音频阐发等。随着边沿设备变得越发智能和强大,创新者可以开始构建此前無法实现的产物和应用。




2017年12月15日

天網工程:給你七分鍾的時間...
中兴力维动环监控与智能管理解決方案

上一篇:

下一篇:

传统盘算机视觉融合深度学习 助力AI生长

添加時間:

本網站由阿裏雲提供雲計算及宁静服務 Powered by CloudDream