正文

機器視覺真不是人干的（機器視覺和計算機視覺的區(qū)別）

發(fā)布時間：2023-04-04 09:58:39 稿源：創(chuàng)意嶺閱讀： 64 當前文章關鍵詞排名出租

大家好！今天讓小編來大家介紹下關于機器視覺真不是人干的的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，相關業(yè)務請撥打電話：175-8598-2043，或添加微信：1454722008

文章目錄列表:

1、什么是3D視覺？可以用來做什么？
2、當機器有了“世界觀”，機器視覺都能干點啥
3、人工智能98%都認錯，圖像識別AI遇上對抗性圖像竟變“瞎子”
4、機器視覺特征描述方法

機器視覺真不是人干的（機器視覺和計算機視覺的區(qū)別）

一、什么是3D視覺？可以用來做什么？

3D視覺系統(tǒng)適用于各類服務機器人，可快速實現(xiàn)三維地圖創(chuàng)建、避障、導航等功能，并可通過APP進行室內(nèi)地圖定位導航。比如奧比中光已與國內(nèi)外超70%機器人廠商建立了合作關系。

機器視覺真不是人干的（機器視覺和計算機視覺的區(qū)別）

應用場景主要有：

服務機器人：快速識別人臉、距離感知、活體檢測、多模態(tài)聯(lián)動，更加人性化，與人類更好的互動;

醫(yī)療機器人：輔助醫(yī)生臨床診斷，實時監(jiān)測病人身體狀況，分析病人行為動作;

工業(yè)機器人：3D傳感采集豐富視覺信息，聯(lián)動AI人工智能技術，讓工業(yè)機器人更靈活、更智能，效率更高;

特種機器人：可提供三維地圖創(chuàng)建、避障、導航、定位等多種功能，代替人類完成各類高難度任務;

二、當機器有了“世界觀”，機器視覺都能干點啥

有了世界觀，意味著有了更深層次的邏輯思考能力，機器設計出來是為了方便人類發(fā)展，維護人類和諧生長，于是機器視覺便開始排除對人類有害的事件，安全隱患/犯罪分子將無所遁形。

三、人工智能98%都認錯，圖像識別AI遇上對抗性圖像竟變“瞎子”

在視覺方面，AI和人類的差距有多大？來自UC Berkeley等高校的研究人員創(chuàng)建了一個包含7500個“自然對抗實例”的數(shù)據(jù)集，在測試了許多機器視覺系統(tǒng)后，發(fā)現(xiàn)AI的準確率下降了90%！在某些情況下，軟件只能識別2%-3%的圖像。這樣的AI若用在自動駕駛汽車上，后果不敢想象！

近幾年來，計算機視覺有了很大的改善，但仍然有可能犯嚴重的錯誤。犯錯如此之多，以至于有一個研究領域致力于研究AI經(jīng)常誤認的圖片，稱為“ 對抗性圖像 ”?？梢园阉鼈兛醋饔嬎銠C的光學錯覺，當你看到樹上有一只貓時，人工智能看到了一只松鼠。

研究這些圖像是很有必要的。當我們把機器視覺系統(tǒng)放在AI安全攝像頭和自動駕駛汽車等新技術的核心位置時，我們相信計算機和我們看到的世界是一樣的。而對抗性圖像證明并非如此。

對抗性圖像利用機器學習系統(tǒng)中的弱點

但是，盡管這個領域的很多關注點都集中在那些專門設計用來愚弄AI的圖片上（比如谷歌的算法把3D打印的烏龜誤認為是一把槍），但這些迷惑性圖像也會自然的出現(xiàn)。這類圖像更令人擔憂，因為它表明，即便不是我們特意制作的，視覺系統(tǒng)也會犯錯。

為了證明這一點，來自加州大學伯克利分校、華盛頓大學和芝加哥大學的一組研究人員創(chuàng)建了一個包含7500個“自然對抗實例”（natural adversarial examples）的數(shù)據(jù)集，他們在這些數(shù)據(jù)上測試了許多機器視覺系統(tǒng)，發(fā)現(xiàn)它們的 準確率下降了90%，在某些情況下，軟件只能識別2%-3%的圖像。

下面就是一些“自然對抗實例”數(shù)據(jù)集的例子：

數(shù)據(jù)有望幫助培養(yǎng)更強大的視覺系統(tǒng)

在論文中，研究人員稱這些數(shù)據(jù)有望幫助培養(yǎng)更強大的視覺系統(tǒng)。他們解釋說，這些圖像利用了“深層缺陷”，這些缺陷源于該軟件“過度依賴顏色，紋理和背景線索”來識別它所看到的東西。

例如，在下面的圖像中，AI錯誤地將左側的圖片當作釘子，這可能是因為圖片的木紋背景。在右邊的圖像中，它們只注意到蜂鳥飼養(yǎng)器，但卻錯過了沒有真正的蜂鳥存在的事實。

下面的四張蜻蜓照片，AI在顏色和紋理上進行分析后，從左到右依次會識別為臭鼬、香蕉、海獅和手套。我們從每張圖片中都可以看出AI為什么會犯錯誤。

AI系統(tǒng)會犯這些錯誤并不是新聞了。多年來，研究人員一直警告說，利用深度學習創(chuàng)建的視覺系統(tǒng)是“淺薄”和“脆弱”的，它們不會像人一樣靈活地理解世界上的一些幾乎相同的細微差別。

這些AI系統(tǒng)在成千上萬的示例圖像上進行了訓練，但我們通常不知道圖片中的哪些確切元素是AI用于做出判斷的。

一些研究表明，考慮到整體形狀和內(nèi)容，算法不是從整體上看圖像，而是專注于特定的紋理和細節(jié)。本次數(shù)據(jù)集中給出的結果似乎支持這種解釋，例如，在明亮的表面上顯示清晰陰影的圖片，會被錯誤地標識為日晷。

AI視覺系統(tǒng)真的沒救了？

但這是否意味著這些機器視覺系統(tǒng)沒得救了？完全不是。一般這些系統(tǒng)所犯的錯誤都是小錯，比如將排水蓋識別為沙井，將貨車誤認為豪華轎車等。

雖然研究人員說這些“自然對抗性的例子”會騙過各種各樣的視覺系統(tǒng)，但這并不意味著可以騙過所有系統(tǒng)。許多機器視覺系統(tǒng)非常專業(yè)，比如用于識別醫(yī)學掃描圖像中的疾病的那些專門系統(tǒng)。雖然這些系統(tǒng)有著自己的缺點，可能無法理解這個世界和人類，但這并不影響它們發(fā)現(xiàn)并診斷癌癥。

機器視覺系統(tǒng)有時可能會很快且有瑕疵，但通常都會產(chǎn)生結果。這樣的研究暴露了機器成像研究中的盲點和空白，我們下一步的任務就是如何填補這些盲點了。

四、機器視覺特征描述方法

常用的機器視覺提取特征方法有哪些？一般常用的機器視覺圖像特征有顏色特征、紋理特征、形狀特征、空間關系特征，沃德普機器視覺昨天給大家介紹過了顏色特征的提取，今天給大家介紹的是紋理特征、形狀特征、空間關系特征這三種特征方法提取。

1.紋理特征描述方法分類：

（1）統(tǒng)計方法

統(tǒng)計方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法，在研究共生矩陣中各種統(tǒng)計特征基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特征：能量、慣量、熵和相關性。統(tǒng)計方法中另一種典型方法，則是從圖像的自相關函數(shù)（即圖像的能量譜函數(shù)）提取紋理特征，即通過對圖像的能量譜函數(shù)的計算，提取紋理的粗細度及方向性等特征參數(shù)。

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特征分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規(guī)律的形式重復排列構成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤格特征法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，采用模型的參數(shù)作為紋理特征。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法。

（4）信號處理法

紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。

灰度共生矩陣特征提取與匹配主要依賴于能量、慣量、熵和相關性四個參數(shù)。Tamura 紋理特征基于人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規(guī)整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

以上就是小編對于機器視覺真不是人干的問題和相關問題的解答了，如有疑問，可撥打網(wǎng)站上的電話，或添加微信。