机器视觉与人工智能能力边界总结
在机器视觉行业从事研发工作7年了,总结一下这个技术特点。 给后来者一点启示和参考。 机器视觉,并不是视觉,他不具有人类的视觉理解能力,说穿了他只是图像处理技术的工程应用,都是由工程师开发的算法来完成任务,并且是特定的算法完成特定的任务,互相之间没有通用性。 有人说机器的智能已经超过人类等等观点,那是过于乐观了。现在技术还远远达不到这个水准,现在的技术只能解决一些规则的,简单的检测任务,因为有相应的数学模型参考,比如形状匹配,边缘,纹理的识别等等。 如果完全没有规律,那就没办法了,人一眼可以看出来的,认为简单的东西,机器可能做不了。因为人具有自主意识,真正能理解任务,哪怕在复杂的图案和花纹里面,要寻找一个特定的东西,比如扣子,手套都是容易的,但是机器就做不了,因为背景没有规律,工程师无法找到有效的特征来开发这个系统。 但是机器视觉也有他的优势,那就是不知疲倦,检测一些简单的东西,比如玻璃上的划痕,屏幕上的疵点,可以做的非常准确,并且可以做到很高的精度。 再说说人工智能,目前的人工智能,也只是发现了自动提取模式的方法,收集了足够多的,有代表性的样本,然后用这套系统进行学习,再应用这套系统再分类图像而已。 也算不上什么智能,只能算是技术,仍然属于图灵机的范畴。距离真正能理解图像还相距甚远。机器视觉,人工智能,目前不能做的,正是给科研人员以及硕士,博士们研究的空间。 欢迎各位朋友发表看法讨论,推动行业应用进步。转载请注明来自 机器视觉算法工程师马浩洋。深度学习DeepLearning人工智能核心技术开发与应用培训班
2018 年 08 月 03 日— 2018 年 08 月 06 日 北京(第18期)
2018 年 08 月 23日— 2018 年 08 月 26 日 广州(第19期)
(机房上课,每人一台电脑进行实际案例操作,赠送 U盘拷贝资料及课件和软件,长期举办,授课效果有保障)
主讲内容:
1,Deep Learning—循环神经网络
2,Deep Learning—CNN应用案例
3,Deep Learning—对抗性生成网络
4,Deep Learning—迁移学习
5,Deep Learning—深度强化学习
6,深度学习的常用模型或者方法
(1)公开课:3天时间系统学习,从人工智能运行环境搭建,模型选择及优化,具体实例为出发点,掌握人工智能的整体方向思路;
(2)网络课:针对学员,设计任务,以提高技术操作水平,解决平时工作遇到的问题,通过网络平台交流 此平台培训后期长期有效;
(3)训练营:针对学员自己的问题,项目,团队发展方向设计训练方式,亦可内训;
联系人:彭老师18101059857(同微信号)
页:
[1]