-
當前位置:首頁 > 創(chuàng)意學院 > 景觀設計 > 專題列表 > 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)
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:
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。
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。
推薦閱讀:
學機器人專業(yè)好就業(yè)嗎(學機器人專業(yè)好就業(yè)嗎女生)
無貨源怎么找上家發(fā)貨(無貨源怎么找上家發(fā)貨呢)