Questyle Sun Jian: Hesaplamalı Vizyonun Devrimi ve Zorluğu | CCF-GAIR 2017
7-9 Temmuz 2017 tarihleri arasında, CCF-GAIR Küresel Yapay Zeka ve Robot Zirvesi Konferansı, Shenzhen Greater China Sheraton Hotel'de düzenlendi. CCF China Computer Society'nin ev sahipliği yaptığı ve Lei Feng.com ile Hong Kong Bilim ve Teknoloji Üniversitesi (Shenzhen) ev sahipliğinde düzenlenen konferans, dünyanın her yerinden 30'dan fazla en iyi akademisyeni ve yaklaşık 300 AI yıldız AI şirketini bir araya getirdi. sıralanmak. Leifeng.com'dan bir muhabir toplantı sırasında mümkün olan en kısa sürede yerinde bir rapor hazırladı.
Sun Jian ilk olarak doğal olarak havanın neden olduğu uçak gecikmesinden şikayet etti. Ancak aynı zamanda, doğal olarak, yapay zekanın uçakların kalkış ve inişlerini planlamasına yardım ederse, kesinlikle insansız araçlardan daha kolay olacağını ve açıkça yardımcı olabileceğini düşünmeye başladı.
Konuya giren Sun Jian, yapay zeka analizinin büyük veri, hesaplama gücü ve algoritma iyileştirme ile ilgili olduğunu ancak en önemli şeyin hesaplama yöntemlerinin dönüşümü olduğunu düşünüyor. Sinir ağları insanlar tarafından bilgisayarlar üzerinde inşa edilip geliştirilse de, sinir ağlarında aktivasyon fonksiyonlarının, doğrusal olmayan birimlerin ve ağırlık matrislerinin uygulanması, geçmişten çok uzak görevleri yerine getirebilecek çok yüksek boyutlu doğrusal olmayan fonksiyonlar oluşturabilir. Üstelik GPU, sinir ağlarının gelişimini daha da güçlü hale getiriyor.
Face ++, bu tür işlemlerin erken dönemde çok önemli olduğunu fark etti, bu nedenle eksiksiz bir bilgi işlem platformu, kendi geliştirdiği derin öğrenme çerçevesi, derin öğrenme eğitim motoru Brain ++ oluşturdu ve sonra onu cilalamak için çok zaman harcadı. Bu yöndeki tanınma ve derinlemesine yatırım, Face ++ 'nın mükemmel sonuçlar elde etmesini sağlamıştır.
Sun Jian, insanların bir zamanlar derin öğrenme ağlarının eğitilebileceğine inanmadıklarını açıkladı. 2012'de 8 katmanlı AlexNet'ten bu yana her şey değişti. Bununla birlikte, bu paradigmada, ağ 20. kat civarında en iyi performansı göstermektedir.
Ancak Face ++ 'ın derin artık ağı ResNet 152 katmana ulaştı ve etkisi büyük ölçüde iyileştirildi; 2016'da 1000 katmana bile ulaştı ve ağ uygulaması şu anda artık zor değil.
Ağ araştırmasının gelişmesiyle birlikte, farklı cihazlar, hesaplama kaynaklarının miktarına bağlı olarak ağ farklılaştırma etkilerine sahip olmaya başladı. 1000 katmanın aksine, Face ++ 'ın yeni ShuffleNet'i çok küçük hesaplamalar için uygundur, ancak AlexNet'ten çok daha iyidir. Ağ mimarisi de sürekli olarak geliştirildi, daha hızlı ve daha hızlı hale geldi ve etki daha iyi hale geliyor. FGPA, 30 fps'de 1080p görüntü tanımayı gerçekleştirebilir.
Yüz tanıma açısından, insanoğlunun tanınma doğruluğunu aştıktan sonra herkes yeni rekorlar kırmaya devam ediyor.
Face ++ 'ın kendi geliştirdiği ağına ve akıllı şehir skyeye sistemine güvenerek, bu yıl MIT Technology Review'de en akıllı şirketler arasında 11. sırada yer aldılar.
Bilgisayarla görmede hâlâ birkaç zorluk var: Algılama sorunlarının çözülmesi kolaydır, bilişsel kavramsal sorunların çözülmesi çok zordur ve makinelere nasıl öğreteceğimi bile bilmiyorum, ancak bilgisayar görmesi aslında ne tür bilişsel ve kavramsal sorunlara sahiptir. Her şey sandalyedir, çok güçlü iki örnek vardır: İnsanlar sandalyenin ne olduğunu tam olarak tanımlayamazlar.
Ayrıca zayıf ipuçları, tıkanma, bulanıklık, nesne takibi vb. İnsanlar tanıdıklarında sağduyuya dayalı zengin bir hayal gücü ve akıl yürütme katacaklardır, ancak bu yetenekleri bilgisayarlara öğretmek zordur.Bilgisayarlar bu koşullar altında insanlardan daha iyi tanır. Bu çok daha kötü.
Son olarak, otonom sürüş ve tıbbi görüntü teşhisi gibi çok yüksek doğruluk gerektiren sahneler ve çok zorlayıcı olan arka plan bilgisine dayalı görüntü içeriği açıklaması vardır. Ancak bu aynı zamanda yararlanılabilecek çok fazla potansiyel olduğu anlamına da gelir.
Daha fazla konuşma raporu ve konuşmaların tam metni için lütfen Leifeng.com'u takip etmeye devam edin.
