当前位置:主页 > 互联网 > 反思深度学习与传统计算机视觉的关系-华体会体育app在线
反思深度学习与传统计算机视觉的关系-华体会体育app在线
时间:2022-10-12 00:27 点击次数:
本文摘要:录音:[图片来源:Google所有者:Google]最近,深度自学在很多领域,特别是在计算机视觉领域,都有一席之地。(威廉莎士比亚,Northern Exposure(美国电视),电脑)虽然很多人被深深吸引,但其深度却像一个黑匣子。我们大部分人,甚至是拒绝在这个领域训练的科学家,都不说他们是如何工作的。 (大卫亚设,Northern Exposure(美国电视),)关于深度自学的顺利事件或结局事例教会了我们宝贵的教训,教会了我们正确处理数据。

华体会体育app在线

录音:[图片来源:Google所有者:Google]最近,深度自学在很多领域,特别是在计算机视觉领域,都有一席之地。(威廉莎士比亚,Northern Exposure(美国电视),电脑)虽然很多人被深深吸引,但其深度却像一个黑匣子。我们大部分人,甚至是拒绝在这个领域训练的科学家,都不说他们是如何工作的。

(大卫亚设,Northern Exposure(美国电视),)关于深度自学的顺利事件或结局事例教会了我们宝贵的教训,教会了我们正确处理数据。(约翰肯尼迪,学)在这篇文章中,我们了解了深度自学的潜力,深度自学与经典计算机视觉的关系,深度自学是重要应用程序的潜在危险性。视觉问题很简单。首先,我们必须对视觉/计算机视觉问题提出明确的观点。

应该可以这样解释。相当于人们被摄像机拍摄的图像,应该允许电脑询问有关图像内容的问题。问题的范围可以从“图像中是否有三角形”、“图像中是否有脸”等非常简单的问题开始,到“图像中是否有狗在追猫”等简单的问题。这种问题看起来很相似,对人类来说有点微不足道,但这些问题掩盖的复杂性没有太大差异。

问“图像中是否有红色圆圈”或“图像中有多少亮点”等问题更容易,但其他看起来很简单的问题,如“图像中是否有猫”,则简单得多。“非常简单”的视觉问题和“简单”的视觉问题之间没有界限。这一点值得注意。因为对人类这种高度视觉化的简化动物来说,所有这些问题都有可能沦为难题。

因为即使是对孩子来说,问这样的视觉问题也并不困难。然而,变化时期的深度自学无法回答这些问题。传统的计算机视觉V.s .深度自学传统的计算机视觉是允许计算机从图像中提取信息的普遍算法的子集(通常用像素值数组来回答)。

目前,现有的计算机愿景用于多种对象,如去噪、强化和检测。部分用途用于查找非常简单的几何原语,包括边缘检测、形态分析、Hopf转换、斑点检测、边缘检测和多种图像阈值技术。一些特征(如方向渐变直方图)可以用作机器学习分类器的前端,构成更简单的探测器。

与广泛的观点不同,上述讨论的工具融合在一起,可以对特定对象使用探测器,该探测器性能强,效率高。它还可以配置面部检测器、汽车检测器、路标检测器、准确度和计算复杂性等。这些探测器很有可能高于深度自学。

但是问题是,所有探测器都需要有能力的人从头开始构建。这个不道德,又旧又便宜。因此,从历史上看,优秀的探测器总是被限制在必须被检测的范围内,必须证明前期投资是明智的对象。

这些探测器很多都是专有的,不向公众开放。例如面部探测器、车牌识别器等。但是,心长的人不能花钱使用狗探测器或分类器,在图像中对狗品种进行分类。

(威廉莎士比亚、哈姆雷特)所以深度自学有帮助。优秀学生的启蒙假定你在教计算机视觉课程。

课程的前半部分是带领学生学习很多专业知识,抽出时间对学生们已经完成任务,即收集视频内容并提出问题。(大卫亚设,Northern Exposure)工作一开始很简单。例如,如果告诉我们图像中是否有圆或正方形,就可以做更简单的工作,例如区分猫和狗。

学生们每周编写电脑程序来完成任务,你查看学生写的代码,并管理确认其效果。(威廉莎士比亚,模板,电脑名言)这个学期,一名新生重新加入了你的班。他不爱爱人,不爱社交,从未拜托过任何问题。然而,当他提交自己的第一个任务方案时,你感到有点交通事故。

这个新生写的代码无法解释。你根本没见过这样的代码。

他似乎用随机过滤器对每个图像展开了卷积,然后用非常奇怪的逻辑得到了最终答案。你运营了这个代码,效果很好。

你认为这个解决方案不寻常,但只要它有效就足够了。几周过去了,学生们必须完成的任务具有更低的可玩性,你也从这个新生那里得到了更简单的代码。

(威廉莎士比亚,哈姆雷特,学习)他的代码出色地完成了游戏日益减少的任务,但不能确切地解释其中的内容。期末,你给学生们布置了一个作业,用现实的照片区分猫和狗。

(威廉莎士比亚、哈姆雷特、学)结果是,虽然这项任务需要65%以上的准确度,但新生编写的代码准确度却达到了95%,令人惊讶。你在接下来的几天里开始深入分析这些深奥莫测的代码。举一个新的例子,找到影响计划决定的因素,开始偏移工程。

(约翰肯尼迪,学习)最后,你得出了一个非常惊人的结论:代码不检测狗的标签。如果能检测到标签,就能知道对象的底部是否为棕色。如果是,则返回“猫”;否则,返回“道格”。如果无法检测到标签,请检查对象的左侧是否比右侧更大。

如果是,则返回“DOG”;否则,返回“cat”。你邀请这个新生到办公室,把研究结果以原型给他。你告诉他你知道自己解决了问题吗?经过长时间的绝望,他喃喃地说解决了问题数据集上出现的任务,但没有告诉他狗长什么样,狗和猫之间有什么区别。

他作弊是因为他解决问题的任务和你想要的目的有关。但是,他又没有作弊,因为他的解决方案肯定有效。

但是,其他学生的表现都不好。他们试图通过问题解决问题任务,而不是通过原始数据集。尽管他们的程序运行得很差,跌倒也没有什么奇怪的错误。(威廉莎士比亚、哈姆雷特、节目名言)深度自学的祝福和恶魔深度自学是用渐变偏移传播这一优化技术分解“节目”(也称为“神经网络”)的技术,就像上述故事中学者学生写的一样。

这些“程序”和优化技术对世界一无所知,只对构建将正确标签分配给数据集正确图像的交换机和条件集感兴趣。在训练集中添加更好的数据可以避免欺骗的偏差,但预示着数百万个参数和数千个条件的检查,偏移传播分解的“程序”不是很大,而是很复杂,因此可以针对更小的偏差。通过分配正确的标签优化统计,优化目标函数的所有方法都可以使用,而不管是否与任务的“意义精神”相关。

华体会体育app在线

这些网络最终能否针对“意义正确”的先验?当然可以。但是现在有很多证据表明这不是网络区分。被忽略的示例表明,图像非常小,无法检测到的更改可能会改变测试结果。

研究人员研究了训练有素的数据集的新例子,说明原始数据集外部的泛化远远弱于数据集内的泛化,因此网络依赖的等效数据集具有特定的低层特性。在某些情况下,仅改变单个像素并不能生成新的深度网络分类器。也许,仅次于深度自学的优点是自动创建没有人想的特性能力。

这也是其次的弱点。因为大部分功能在意义上至少可以说是“可疑”。(威廉莎士比亚、哈姆雷特、自学、自学、自学、自学、自学)什么时候有意义,什么时候没有意义?深度自学对计算机视觉系统来说无疑是一个有趣的补充。

我们现在更容易训练探测器,观察廉价和不现实的物体。为了获得更好的计算性能,还可以在一定程度上扩展这些探测器。

但是我们付出这样豪华的代价是非常昂贵的。我们没有告诉我们深度自学如何辨别,我们明确表示分类的依据很有可能与任务的“意义精神”有关。而且,如果输出数据违反训练集中的低水平偏差,探测器就不会经常过热。

这种过热条件目前还不得而知。因此,实际上,深度自学对这些错误并不严重,允许输出与教育数据集明显不同的应用程序很简单。

这些应用程序必须忍受5%以内的错误率。包括图像发现、监控、自动零售和所有非“任务关键型”的内容。

讽刺的是,大部分人指出,深度自学是应用领域的革命。因为深度自学决定是实时的,失误是根本的,甚至不会造成自动驾驶车、自主机器人等可怕的结果。(例如,最近的研究显示,基于深度神经网络的自主驾驶更容易受到现实生活中的对抗反击。

) (阿尔伯特爱因斯坦,Northern Exposure(美国电视),)我不能用对“思考”的误解来叙述这种信念。有些人对自学在医学和临床上的应用抱有很大期望。

但是,也有令人担忧的发现,包括对一个机构数据的模型无法正常检测到其他机构数据。这再次证明了这些模型提供的数据比很多研究人员期望的要多的观点。数据比我们想象的要深。

读心术教会了我们视觉数据(一般是高维数据)。这个观点很有趣。也许数据比我们过去指出的要深得多。

有可能有更多的方法可以统计分离打印着高级人类类别的可视化数据集,也有更多的方法可以分离这些“语义上正确”的数据集。也就是说,这两组低水平的图像特征比我们想象的要“统计意义”。

这是深造的最好发现。为了分离可用的数据集模型,仍然不存在分解“语义上合理”方法的方法。事实上,这个问题可能比以前更值得怀疑。(大卫亚设,Northern Exposure(美国电视),意思是)结论深度自学已经沦为电脑视觉系统最重要的组成部分很久了。

但是传统的电脑愿景没有达到那个阶段,仍然可以用来制造非常强大的探测器。这种人工制造的检查器在特定数据集测量中可能无法构建深度自学的高性能,但可能依赖于输出的语义相关特性集。深度自学确保了统计性能优异的探测器,不必果断牺牲特性工程,但仍需要大量的显示数据、大量的GPU和深度自学专家。

(威廉莎士比亚,Northern Exposure(美国电视剧),自学)但是这些强大的探测器并没有以交通事故告终。因为不能明确说明适用范围(或者更明确地说,完全不能说明)。

(大卫亚设,Northern Exposure(美国电视连续剧),)请注意,上述争论都与“人工智能”的AI有关。我不指出深度自学与解决问题人工智能问题有什么关系。

但是明确指出,将深度自学、特性工程、逻辑推理相结合,可以在普遍的自动化空间构建非常有趣和简单的技术能力。记录:该编译器记录:Piekniewskis Blog(Piekniewskisblog:):[封面照片来源:网站名称Google,所有者:Google]著作权句,发布禁止许可。下面,我们来听一下关于刊登的注意事项。


本文关键词:反思,深度,学习,与,华体会体育app在线,传统,计算机,视觉,的,关系

本文来源:华体会体育app在线-www.lyqgjc.cn

Copyright © 2008-2022 www.lyqgjc.cn. 华体会体育app在线科技 版权所有  网站地图   xml地图  备案号:ICP备65701549号-5

在线客服 联系方式 二维码

服务热线

0617-32336394

扫一扫,关注我们