您現在的位置:首頁 > 教育 > 學院 > 培訓信息
深度學習下的智能技術應用存在哪些問題
http://www.vfrpfnw.cn 物聯中國
日期:2016-12-18 17:48:49來源:物聯中國 點擊:1077
核心提示:過去幾年中,得益于高速計算芯片(GPU)及大量的標注數據,作為當下最流行的機器學習方法,深度學習在醫療領域、制造業領域及商業等各個應用

       過去幾年中,得益于高速計算芯片(GPU)及大量的標注數據,作為當下最流行的機器學習方法,深度學習在醫療領域、制造業領域及商業等各個應用領域中都取得了突破性的成績,隨著人工智能技術的不斷革新,未來,AI將會以各種不同的應用形態出現在我們身邊,未來的AI發展速度也將超越摩爾定律。

       由于幾乎所有的人工智能領域的問題都可以轉化為分類問題,因此機器學習的基本步驟可分為如下形式:目標預處理-特征提取-目標分類,機器學習是一個級聯串行結構,因此每一環節的處理結果都會影響到最后的分類效果,在傳統的機器學習中針對其中的各個環節都有其各自獨立的算法:

       目標預處理:直方圖歸一化,傾斜矯正,形態學處理等;

       特征提取:LBP,Haar,SIFT,SURF(HandcraftedFeatureExtractor),Cluster,BOW(bagofword),Fishervector,PCA,LDA(Unsupervisedfeatures);

       分類器:SVM,Decisiontree,Ensample(集成分類器);

       由于上述方法具有各自獨立性,因此傳統機器學習算法在處理問題時需要對各個環節進行優化,并通過組合優化方法在各個模塊中選取最優的組合方式。

       與傳統機器學習相比深度學習可以把機器學習中的各個部分合成為一個整體結構,通過統一的訓練方法(Backpropagation)對其中所有的參數進行調節。當前人們所指的深度學習主要是以CNN(卷積網絡)為核心的一系列應用算法,其算法結構如下圖所示:

1

       PT1:CNN(卷積網絡)算法結構

       上圖中的每一層都是采用卷積方式與某一卷積核進行卷積所得到的結果,每一結果代表了從原始圖像所提取的特征,通過級聯方式對圖像或信號進行特征提取,最后得到人們想要的分類結果。

       2000年以前,深層網絡較難收斂,其原因是傳統的網絡采用的激勵函數為sigmoid/tanh函數,其受初始化影響較大且會產生梯度消失的情況。直到2006年Hitton提出了RBM方法對網絡進行預訓練,之后采用了ReLU作為激活函數使得深度學習在數據量相對較小的任務中無需采用預訓練模型的方式來訓練網絡。

       到2000中期,卷積神經網絡盡管已經在物體分類方面取得了較好的成績,但其效果還是比傳統方法略差。其原因主要有兩方面,一是帶標簽的訓練樣本太少;二是計算機的計算效率太低。直到2012年,Fei-FeiLi推出多達120萬張標注樣本的ImageNet訓練數據集,NVIDIA提供了高效并行計算工具,極大的提升了卷積神經網絡在物體分類方面的速度和準確性。

       CNN應用舉例:

2

       PT2:目標檢測

2

       PT3:姿態估計

       上述基于圖像或視頻的應用特別是基于深度學習目標檢測與識別方法可應用于城市監控、智能交通及行為分析等。

       深度學習算法優化及技術應用存在的問題

       憑借在目標檢測與識別方面出色的算法能力,以智能安防為首的多個行業正在掀起一場基于深度學習算法的應用浪潮,而在這個過程中,深度學習在算法優化和技術應用上依舊存在一些待解決的問題。

       首先,深度學習開發平臺尚未統一,當前深度學習的平臺主要包括:Caffe、Torch、Theano、TensorFlow等,各個平臺間的數據接口仍未統一,因此同一套算法需要根據不同平臺提供不同的版本,算法移植成本較大,且給不同算法間的評估帶來了一定難度;

       其次,算法優化方向尚不明確,與傳統算法相比深度學習可以看成是一個黑箱模型,因此當算法效果較差時很難評估具體是其中的哪個部分出了問題,當前的經驗方法是采用更深的網絡結構,增大樣本量,此外尚無較明確的算法優化方法;

1

       PT5:場景解析及標注

       最后,在理論研究方面,目前從理論角度理解深度學習主要有這樣幾大方向:1、深度網絡中的目標函數的幾何特征是怎樣的?2、從理論角度來解釋卷積網絡的有效性?3、如何將機器學習中的:監督學習、無監督學習以及增強學習進行融合,使其成為一種單一的算法?4、如何有效的設計一種類似于人類的無監督學習方法?

       當前對于問題1與2尚無較好的解釋及解決方法,對于問題3目前仍在探索階段(對波爾玆曼機及自動編碼器是當前該方向的研究熱點),關于問題4,尚處于探索階段,但已有一些初步成果,即GAN(生成對抗網絡)。

       安防領域深度學習應用需要關注的問題

       依賴于大數據應用方面的突破,安防領域人工智能的應用正呈現出燎原之勢,當前的發展水平下,人工智能融合到安防領域所要解決的主要問題是算法的計算性能問題,由于安防領域的大量產品都屬于前端產品,因此,深度學習需要運行在ARM等芯片上,如何把GPU上運行的算法移植到前端去運行是目前急需解決的問題。

       另外,針對現階段深度學習開發平臺尚未統一的問題,由于目前深度學習對樣本的數量及質量具有較大的依賴性,因此需要建立起一個統一的管理樣本的平臺,該平臺應具有管理樣本的能力,包括:去除重復樣本,排除錯誤樣本及自動生成訓練所需的隨機樣本的能力。

       而在芯片和算法方面,目前各廠商采用的芯片及算法相似,由于在芯片上運行的是根據實際應用所設計的算法,因此不同公司產品的優劣取決于其所提供算法的正確率及速度,在深度學習中這兩部分對樣本的質量具有較強的依賴性,因此公司的核心競爭力取決于對樣本的管理能力。

出處:物聯中國
鄭重聲明:本文僅代表作者個人觀點,與物聯中國(www.vfrpfnw.cn)無關。其原創性以及文中陳述文字和內容未經本站證實,對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾,請讀者僅作參考,并請自行核實相關內容。
分享到:
延伸閱讀
  • 資訊
  • 產業
  • 服務
  • 應用
波音博大玩家