機器視覺也就是計算機識別圖像的能力。過去三十年里，計算機視覺技術一直沒有突破性的進展，像人臉識別這種不算困難的任務，竟然一直攻克不了。

        然而最近幾年，人工智能領域的深度學習技術，終于讓計算機在圖像識別領域，開始媲美并逐漸趕超人類。很多公司已經將這些技術轉化為了產品，輔助或替代我們完成各種各樣的工作。

        這些日新月異的發展，得益于一種被稱作“卷積神經網絡”，convolutional neural network，簡稱CNN的網絡結構。以動物圖像為例，你可以輕松分辨出貓和狗，但CNN能進一步更準確地識別出具體的品種。CNN的強大之處在于，它更善于學習并發現圖像中隱藏的重要線索，并作出判斷。不要認為這都是人類教授的本領，深度學習是系統自帶的模式。

       例如，如果你想訓練CNN識別出兩種不同狗的品種，你只需要準備好幾千張這兩種狗的照片就夠了，你不需要告訴CNN它們的耳朵或者其他地方有區別，CNN可以在學習過程中自己認出這些特征。它用分層結構自己來完成學習。低層網絡能識別圖像中的簡單形狀、邊緣。高層網絡能學會復雜的抽象概念，比如耳朵的結構和毛量。當訓練完成后，CNN可以輕松根據狗的耳朵判斷出狗的品種。

       由深度學習驅動的計算機視覺系統，已經滲透到了生活的方方面面。無人駕駛汽車需要CNN來幫忙檢測行人，保險公司可以用CNN來評估車輛的受損情況，應用了CNN的安保攝像頭也能讓火車站和機場更安全。


       擁有深度學習技術的計算機視覺系統，在醫療領域同樣能大展拳腳。它可以幫助專家更快地分析醫學影像，還能在缺少專業人士時，提供一些關鍵信息。去年，美國FDA批準了一個由創業公司Ar terys提出的計劃：用深度學習分析心臟中的血流影像，診斷心臟疾病。

        此外，美國斯坦福大學的塞巴斯蒂安·特隆還在《自然》雜志上介紹了一個具有專家水平的皮膚癌分類系統。他提出，如果把該系統裝在智能手機上，就可以開展低成本的重大疾病診斷服務。深度學習還可以用來分析由糖尿病引起的視網膜病變、以及中風、骨折、認知癥等其他疾病。

（摘自《環球科學》）
 
原文鏈接：http://sh.qihoo.com/pc/9c495f6146db10d8c?sign=360_e39369d1

返回列表