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。呆板人和无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。

    多年来,设备成果(包罗盘算能力、内存容量、功耗、图像传感器辨别率以及光学系数)的指数式演变提高了物联网应用中盘算机视觉的性能和本钱效益。陪同这些而来的是精密软件算法的生长和完善,例如人脸检测和识别、物体检测和分类以及同步定位和映射等。

呆板学习的兴起和面临的挑战

    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。


  使用深度学习的视觉处理惩罚结果也取决于图像辨别率。例如,为了在目标分类历程中得到最充实的体现需要高辨别率的图像或视频,从而提升了需要处理惩罚、存储和传输的数据量。图像辨别率对付需要在远处探测和目标分类的应用尤为重要,例如企业安防摄像头。

盘算机视觉与呆板学习结合得到更佳性能

传统的盘算机视觉和深度学习要领之间有明显的折中。传统的盘算机视觉算法已经成熟,经过验证,并且在性能和功率效率方面进行了优化;而深度学习能提供更高的精度和多成果性,但是需要大量的盘算资源。

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决方案。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。

充实利用边沿盘算

就像使用纯粹的深度学习一样,用于视觉处理惩罚的殽杂要领可以充实利用边沿的异构盘算能力。异构盘算架构有助于提高视觉处理惩罚性能和能效,为差别的事情负载分派最高效的盘算引擎。当深度学习推断是在DSP上执行而不是在CPU上执行时,测试结果显示目标检测延迟低落了10倍。


  与云盘算相比,在物联网设备自己上运行算法和神经网络推断也有助于低落延迟和带宽要求。边沿盘算还可以通过淘汰云存储和处理惩罚要求来低落本钱,同时通过制止在网络上传输敏感或可识别的数据来掩护用户的隐私和宁静。


  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无法实现的产物和应用。




2017年12月15日

天网工程:给你七分钟的时间...
中兴力维动环监控与智能治理解决方案

上一篇:

下一篇:

传统盘算机视觉融合深度学习 助力AI生长

添加时间:

本网站由阿里云提供云盘算及宁静办事 Powered by CloudDream