深度学习下的AI落地，计算机视觉是否一条好赛道

 

计算机视觉是目前AI在中国落地最广泛的技术。从目前的落地进展来看，移动互联网、安防、零售、物流、医疗、文娱、无人驾驶的商业化有待成熟。

以旷视科技Face++、商汤科技、极链科技Video++为代表的AI头部企业战略，出现向平台企业或软硬一体化企业发展的分化趋势，及零售等新领域快速崛起。

计算机视觉在中国AI市场组成部分占比巨大。

根据中国信通院2018年2月发布的报告数据，2017年，中国人工智能市场中计算机视觉占比37%，以80亿元的行业收入排名第一。

2018年信通院11月发布的《2018人工智能发展白皮书——技术篇》中以深度学习算法驱动的人工智能技术为主。

数据显示，在全球人工智能产业蓬勃发展的今天，人工智能技术以机器学习，特别是深度学习为核心，在视觉、语音、自然语言等应用领域迅速发展，已经开始渗入到各个行业。

BBC预测，2020年全球人工智能市场规模约183亿美元，年均增长20%。在人工智能产业应用上，从融资规模和市场结构来看，中国AI企业更集中于视觉和语音方向。

目前，深度学习几乎成了计算机视觉领域的标配，也是当下人工智能领域最热门的研究方向。计算机视觉的应用场景和深度学习背后的技术原理是什么呢?

深度学习背后的技术原理

机器学习

机器学习的本质其实是为了找到一个函数，让这个函数在不同的领域会发挥不同的作用。

像语音识别领域，这个函数会把一段语音识别成一段文字；图像识别的领域，这个函数会把一个图像映射到一个分类；下围棋的时候根据棋局和规则进行博弈；对话，是根据当前的对话生成下一段对话。

机器学习离不开学习两个字，根据不同的学习方式，可以分为监督学习和非监督学习两种方式。

监督学习中，算法和数据是模型的核心所在。

在监督学习中最关键的一点是，我们对训练的每个数据都要打上标签，然后通过把这些训练数据输入到算法模型经过反复训练以后，每经过一次训练都会减少算法模型的预计输出和标签数据的差距。

通过大量的训练，算法模型基本上稳定下来以后，我们就可以把这个模型在测试数据集上验证模型的准确性。这就是整个监督学习的过程，监督学习目前在图片分类上应用得比较多。

非监督学习里跟监督学习不同的地方是，非监督学习不需要为所有的训练数据都打上标签。非监督学习主要应用在两个大类，第一类是做聚类分析，聚类分析是把一组看似无序的数据进行分类分组，以达到能够更加更好理解的目的。

另外是做自动编码器，在数据分析的时候，原始数据量往往比较大，除了包含一些冗余的数据，还会包含一些对分析结果不重要的数据。

自动编码器主要是对原始数据做降维操作，把冗余的数据去掉，提高后面数据分析的效率。

通过不同的学习方式获取到数据后，算法是接下来非常重要的一环。算法之于计算机就像大脑对于我们人类，选择一个好的算法也是特别重要的。

神经网络

神经网络是受人脑神经元结构的启发，研究者认为人脑所有的神经元都是分层的，可以通过不同的层次学习不一样的特征，由简单到复杂地模拟出各种特征。

上图是计算机应用数学的方式来模拟人脑中神经元的示意图。a1到ak是信号的输入，神经元会对输入信号进行两次变换。第一部分是线性变换，因为神经元会对自己感兴趣的信号加一个权重;第二部分是非线性变换。

神经网络就是由许多的神经元级联而形成的，每一个神经元都经过线性变换和非线性变换，为什么会有非线性变换?从数学上看，没有非线性变换，不管你神经网络层次有多深都等价于一个神经元。如果没有非线性变换，神经网络深度的概念就没有什么意义了。

卷积神经网络

以上所讲的都是一般的全连接神经网络，接下来进入卷积神经网络。

卷积神经网络是专门针对图片处理方面的神经网络。

卷积神经网络首先会输入一张图片，这张图片有三个颜色通道的数据，这是输入层。下面是卷积层，有一个卷积核的概念，每一个卷积核提取图片的不同特征。提取出来以后到池化层，就是把卷积层的数据规模缩小，减少数据的复杂度。

卷积和池化连起来我们叫做一个隐层，一个卷积神经网络会包含很多个隐层，隐层之后是全连接层，全连接层的目的是把前面经过多个卷积池化层的特征把数据平铺开，形成特征向量，我们把特征向量输入到分类器，对图片进行分类。

简单来说，卷积神经网络更适合计算机视觉主要有两个原因，一是参数共享，另外一个是稀疏连接。

2015年基于深度学习的计算机视觉算法在ImageNet数据库上的识别准确率首次超过人类，同年Google在开源自己的深度学习算法。

这些带动中美两国的科学家把计算机视觉算法运用到安防、金融、互联网、物流、零售、医疗、文娱、制造业等不同垂直行业。

但在实际的运用当中，由于数据可得性、算法成熟度、服务的容错率等因素的影响，落地的速度开始出现分化。其中，移动互联网、安防、医疗、无人驾驶等发展较慢。

技术发展趋势

提高预测精度，降低数据标注成本随着技术的不断发展，计算机视觉能够识别信息的种类从最初的文字信息，到人脸，人的体态识别，以及各种不同的物体。

能够识别的精度也从最初的人1：1比对，到用于门禁系统等1：N比对，以及用在黑名单监控等场景的M:N动态监控。除了提高算法精度以外，提高数据标注的效率也是计算机视觉公司重要的课题之一。

企业发展战略开始分化，商汤向左，旷视向右，计算机视觉技术在中国的快速落地，吸引了以旷视科技Face++、商汤科技、极链科技Video++为代表的以算法为核心竞争力的AI初创公司，拥有强大数据采集及软件开发能力的互联网公司，以及华为这样的科技巨头。经过一年多的发展，各个公司都已经根据自己资源的不同，战略出现了分化。

各类公司初始时在产业环节中各有偏好，初创企业在算法与模型训练上占优，互联网企业则拥有天然的数据优势，安防企业则凭借极强的工程能力加速安防项目落地。

AI头部初创企业近年来融资动作频繁，受到资本市场的青睐，在资金方面暂无瓶颈，然而面临互联网巨头的挑战，各大初创企业应依托已有的独立设计算法的能力，构建平台型解决方案，在研发能力与方案落地速度上取胜。

 

END

碧茂课堂精彩课程推荐：

1.Cloudera数据分析课；

2.Spark和Hadoop开发员培训；

3.大数据机器学习之推荐系统；

4.Python数据分析与机器学习实战；

详情请关注我们公众号：碧茂大数据-课程产品-碧茂课堂

现在注册互动得海量学币，大量精品课程免费送！