《评人工智能如何走向新阶段》后记(再续20)

《评人工智能如何走向新阶段》后记(再续20)_第1张图片

320.开源的C+跨平台人脸检测项目,仅用CPU就能跑出惊人的1000FPS

在电脑或手机上都可运行!

人脸检测广泛用于人机交互、安防监控、社交娱乐等领域。在很多人脸检测方法中,使用卷积神经网络深度算法是目前较为流行的方法之一,然而在跨平台使用其他开源项目时,需要安装各种各样的依赖环境(不同的依赖环境在不同硬件平台或操作系统中支持程度不同),这样就增加了项目跨平台迁移的难度。

一个使用卷积神经网络进行人脸检测的开源项目,其最大的亮点是能够在所有支持C/C++的平台上编译运行。可将予训练的CNN模型转換为静态变量后储存到C文件里,使得该项目不需要任何依赖环境(OpenCⅤ和C++编译器还是需要的),就能在任何一个平台(甚至嵌入式系统)上编译并运行该项目。

321.MIT研发EIG深度神经网络模型

可供探索人脑工作原理作参考

计算机视觉是目前人工智能最成功的领域之一,但这些用来检测物体、人脸的复杂系统,至今也无法与人类视觉系统相提并论。MIT领导的研究小组建立一种名为EIG(efficientinversegraphics)的特殊深度神经网络模型,以展示神经层次结构如何快速推断出场景的潜在特征,与常用的带标签数据训练出来的神经系统相比,新模型的机理更接近真实的人类视觉系统,可以像人类一样从图像中迅速生成详细的场景描述。EIG是从一个模型中训练出来的,这个模型反映了人脑针对所见人脸生成的内部表征。这一成果(论文)发表在《ScienceAdvance》上,为探索大脑工作原理提供参考。

322.英特尔康奈尔科学家共建人工智能生物嗅觉系统

英特尔AI科学家NabilImam研究团队在康奈尔大学研究动物嗅觉系统的科学家帮助下共同构建一种方法:让神经拟态芯片Loihi通过样本训练掌握10种危险品不同气味的神经长征,找到一种智能的、可靠的和快速的化学传感处理系统。

搭载神经拟态芯片的新方案比Loihi此前的传统方案,展现出更加出色的识别准确率。该系统还可应用于医疗系统、机场安检区域{以识别危险物品)。

323.斯坦福大学的一丰田汽车研究人员合作,采用机器学习技术,开发新电池测试方法,解决电动汽车快充功能。

斯坦福大学科学家StefanoErmon和WilliamChueh领导的团队使用人工智能技术、对电池充电周期所发生的故障和状态建模,成功地将电池测试时间缩短了15倍,比传统测试技术减少98%的测试耗时。

该研究成果于2月19日发表在《nature》杂志上。

324.谷歌旗下DeepMind开发的深度学习算法,在发现乳腺癌方面,其准确率比临床医生的判断更高。

伦敦帝国理工学院和谷歌Health采用Deep mind的深度学习算法,并对一台计算机进行训练,对乳腺癌患者进行诊断,发现接近2.9万名女性的X光片中的异常现象,结果显示,计算机减少癌症被错误识别或遗漏的情况(癌症的假阴性情况),比临床医生的判断减少了9.4%。

今年3月18日,Nature. Com发布了这一发现。

325.开源的主流深度学习框架

主流深度学习框架:如由谷歌开发的TensorFlow、由脸书开发的pyTorch均是开源的;新生国产深度学习框架:如由清华开发的“计图”(Jittor)、由旷视开发的“天元”(MegEngine)也实行开源。

326.创建计算机视觉场景大型多样的训练数据集

对于任何部署大规模计算机视觉应用来说,成功的关键在于训练机器学习模型所需的大量训练数据

对于一些精度要求不太高、不太复杂的计算机视觉应用场景,可使用一些现有的开源数据集(如ImageNet/Coco),训练出满足基本要求的机器学习模型。但对于更复杂的计算机视觉应用,如何获得大量高质的训练数据以支持创建一个精确做机器学习解决方案?

美国加州Appen数据科学家刘明宽领导的团队提供了大型多样的训练数据集,他们创建(采集、标注、质检)高质量的各种计算机视觉场景所需的训练数据集,并应用于视频理解、自动驾驶、安全监控和医学图像诊断等领域。

327.全球自动驾驶汽车硬件和软件技术总结(2020)

(本报告由美国、中国、以色列、加拿大、英国的自动驾驶专家联合撰写)

进入2020年,自动驾驶技术走到了需要规模商业化证明技术价值的时候。不管是封闭或半封闭场景的矿区、港口和园区,还是公开道路的RoboTaxi、RoboTruck等,技术都是自动驾驶在不同场景商业化的基础。

本报告覆盖了自动驾驶汽车所需要的感知、定图与定位、传感器融合、机器学习方法、数据收集与处理、路径规划、自动驾驶架构、乘客体验、自动驾驶车辆与外界交互、自动驾驶对汽车部件的挑战(如功耗、尺寸、重量等)、通讯与连接(车路协同、云端管理平台)等技术领域的讨论,并提供相应的各自动驾驶公司的实施案例。

本报告全面阐述自动驾驶最新技术动态和目前自动驾驶行业最火热的应用场景,但是服务个人出行的汽车并不是自动驾驶技术影响深远的行业,其他行业如公共交通、货运、农业、矿业等领域,也同样是自动驾驶技术应用的广泛天地。

本报告谈到各类传感器,用于自动驾驶感知环境,如同人类的眼睛,是自动驾驶汽车的基础部件,主要有5种:①LongrangeRADAR,②Camera,③LIDAR,④Short/Medium rangeRADAR,⑤ ultra sound

这些不同的传感器主要用于不同距离、不同类型的物体感知,为自动驾驶汽车判断周边环境,提供最重要的信息来源,另外还有一个环境感知的信息来源是车路协同的来源。

关于传感器的选择主要是根据下列技术因素判断:①扫描范围,确定必须对被感测的对象做出反应的时间,②分辨率,确定传感器可以为自动驾驶车辆提供的环境细节,③视场或角度分辨率,确定要覆盖、要感知的区域需要传感器数量,④刷新率,确定来自传感器的信息更新的频率,⑤感知对象数量,能够区分3D中的静态对象数量和动态对象数量,并确定需跟踪的对象数量,⑥可靠性和准确性,⑦成本、大小和软件兼容性,⑧生成的数据量。

关于SLAM和传感器融合

SLAM是一个复杂过程,因为本地化需要地图,并且映射需要良好的位置估计。目前已开发了多种SLAM方法(大多使用概率概念)。为了更准确地执行SLAM,传感器融合开始发挥作用。传感器融合是组合来自多个传感器和数据库的数据以获得改进信息的过程。

关于三种机器深度学习方法

不同类型的机器学习算法被用于自动驾驶汽车中的不同应用。卷积神经网络(CNN)、递归神经网络(RNN)和深度强化学习(DRL)是应用于自动驾驶的常见的深度学习方法。

328.Alphabet旗下Waymo

无人驾驶汽车“轻舟智航”试车项目

在硅谷“封城”前亱的L4级别无人车试乘实况

在加州发布“在家隔离”强制执行命令后,在硅谷时间3月16日下午4:23,进行无人驾驶车试。

“轻舟智航”两位联合创始人进行试乘体验,他们是:“轻舟智航”CEO、前Waymo感知关键模块的机器学习算法研发负责人于骞,谷歌(中国)直接入职Waymo第一人汪堃。

“轻舟智航”原计划进行L4级别无人驾驶车试,原定的路线是:无人车经过一个商业区周边的麦当劳,经过一个汽车穿梭窗口(那里有一个美国常见的点歺方式),其车道比单车道更窄,对横向定位不精确,出口处是停车场,有一段非结构化道路,要应对人车混杂情况,乘无人车买汉堡。

加州“在家隔离”防疫命令发布后,在当天午夜12时生效前几个小时,居民上街抢购食品,路上人车严重混杂,在这个时段试车无疑遇到严重挑战。

最终“轻舟智航”无人车顺利完美地经受住了新挑战、新考验,完满完成既定目标——买到汉堡。

329.浙江大学基于深度学习成功研制“隐身衣”,快速(15ms)“换装”骗过雷达

在国际上率先成功研制新一代智能隐身器件

光学领域顶尖期刊《自然-光子学》近日在线报导

浙江大学陈红胜教授领衔的课题组,经过三年努力,发布了一项最新研究成果:在不依赖人为操控情况下,快速地动态适应变化的背景电磁环境,并与环境特征融为一体,实现自适应“隐身”,他们基于深度学习,采用“变換光学隐身方法”,利用坐标变換来控制电磁波,使其绕过被隐身的区域,按原方向传播,从而使物体完全隐形,他们成功研制新型的智能自适应隐身电磁材料,构建新一代智能隐身系统,在微波段成功实现快速有效的自适应隐身(对雷达隐身)。

论文审稿专家认为:这是一项激动人心的及时而杰出的工作,它连接了变换光学、电磁超材料和人工智能等领域,为智能光子材料和器件这个新兴领域树立了很好的标杆,也将大大促进其他智能电磁器件的发展。

自然界有两种隐身策略,①拟态隐身,②透明隐身,浙大采用科学家近年来提出的变换光学隐身方法,不同于上述两种隐身策略。

330.如何观察评估旷视“天元”

几年前我在国际CⅤ竞赛中看到国人战胜群雄拔得头筹,从此对Brain++产生第一印象。

旷视是中国最早创业的AI独角兽之一。

旷视自研的深度学习算法框架“天元”(MegEngine)现已宣布开源,它将与TensorFlow、PyTorch为伍进入主流的AI算法框架行列。

作为主流的深度学习框架实行开源,是采用该框架的AI突破未来发展瓶颈的需要,扩大生态系统的需要,适应复杂场景的需要,以及发展AI生产力的需要。

331.北京大学、华为诺亚方舟实验室、鹏城实验室研究人员提出,一种只用加法的神经网络AdderNet(加法器网络)。

在单个神经元或卷积的运算中一般都使用乘法,但乘法对硬件资源消耗远大于加法。如果不用乘法全部改用加法,将大大提升运算速度。

加法器网络的核心是用L1距离代替欧氏距离。

不过AdderNet仍需自已训练,有待发布预训练模型。

目前AdderNet仅取得阶段成果,由于它是用加法过滤器实现的并不理想有待改进。

332.加快研发新冠肺炎病毒检测方法

新冠肺炎病毒检测不仅对目前感染阶段遏制病毒传播至关重要,而且在疫情结束后仍能对这种病毒控制也至关重要。

英国《每日电讯报》网站3月24日指出:目前的检测手段既缓慢又昂贵还不安全(对采集样本的人),新的检测手段必须更快捷、更廉价、更安全,而且能够大规模生产。

权威医学杂志《柳叶刀》发表社论(见跟贴271)中指出:人工智能算法有能力支持新冠肺炎病毒实行快速检测。

目前国内外都在研发新的检测手段(基因检测、血液检测)或制作试剂盒。

333.旷视打造算法、算力、数据三位一体生产力平台

旷视(Brain++)开发的深度学习开源框架,是其突破AI未来发展瓶颈、扩大生态系统、适应复杂应用场景、夯实数字化基础设施的需要。

旷视(Brain++)打造算法、算力、大数据三位一体架构的生产力平台(数字化基础设施):

天元(MegEngine)框架——代表算法

云计算平台——代表算力

数据管理平台——代表大数据

334.通过人工智能技术精确预测未来气候变化

当前全球气候变化,变幻莫测!如今人工智能在气象行业中的应用刚刚起步,但在全球已是热门话题。

日前,国外一研究团队采用深度学习技术,开发新的高精度识别方法,可以识别出西北太平洋台风高发季节热带低气压发生一周前的特征,从而为台风的产生提供判定依据。用人工智能提前一周预测台风,立即在全球引起了巨大关注。

在极端天气(如龙卷风、地震)预测方面也有人采用人工智能方法进行探索:

在美国一研究团队采用深度学习算法研究龙卷风这样的极端气象条件,可以提前5~10分钟预测到龙卷风的发生发展情况。

在美国保罗-约翰逊团队采用机器学习算法进行探测地震的尝试,他们通过收集、分析、处理真实的、原始的地震数据(制作“地震目录”),来寻找预测未来地震的线索(他们与法国劳伦斯伯克利国家实验室合作,协助分析)。

业内人士期望:用人工智能方法把超级计算机进行海量计算的预测结果自动修正到与实际观测数据接近的地步,使天气预报达到越来越准确的终极目标。

 

更多推荐

《评人工智能如何走向新阶段》后记

《评人工智能如何走向新阶段》后记(再续1)

《评人工智能如何走向新阶段》后记(再续2)

《评人工智能如何走向新阶段》后记(再续3)

《评人工智能如何走向新阶段》后记(再续4)

《评人工智能如何走向新阶段》后记(再续5)

《评人工智能如何走向新阶段》后记(再续6)

《评人工智能如何走向新阶段》后记(再续7)

《评人工智能如何走向新阶段》后记(再续8)

《评人工智能如何走向新阶段》后记(再续9)

《评人工智能如何走向新阶段》后记(再续10)

《评人工智能如何走向新阶段》后记(再续11)

《评人工智能如何走向新阶段》后记(再续12)

《评人工智能如何走向新阶段》后记(再续13)

《评人工智能如何走向新阶段》后记(再续14)

《评人工智能如何走向新阶段》后记(再续15)

《评人工智能如何走向新阶段》后记(再续16)

《评人工智能如何走向新阶段》后记(再续17)

《评人工智能如何走向新阶段》后记(再续18)

《评人工智能如何走向新阶段》后记(再续19)

你可能感兴趣的:(评人工智能如何走向新阶段?)