人工智能、機器學習和機器視覺

如今，人工智能越來越多的被大家提及和應用，但是，到底什么是人工智能、機器學習和機器視覺?下面就人工智能、機器學習和機器視覺作簡要介紹。

因此，簡單而言，人工智能、機器學習和深度學習是一種包含關系。我們通過在計算能力和計算方式上的探索在不斷接近人工智能的本質——一個具備自我學習和應變能力的智能機體。

但實際上，人工智能的應用范圍博大精深，繁冗復雜，在每一個垂直領域的應用都需要克服難以想象的障礙。所以，我們先拆分大腦的功能，讓機器一點點實現智能化。人的大腦需要借助各種感官，如眼睛、耳朵等，感知外界信息，然后進行判斷，這其中用機器來代替人眼來做測量跟判斷的動作，稱為機器視覺，機器視覺是人工智能學科中發展的最為快速的分支，而如今大家熟知的人臉識別技術就是機器視覺最富有挑戰性的課題之一。
    基于深度學習的人臉識別方法，以稀疏自編碼神經網絡和softmax分類器構建深度層次網絡為例，并對該深度層次網絡進行了訓練。為了驗證深度學習方法的人臉識別率，分別在ORL、Yale、Yale-B以及PERET人臉數據庫上做算法測評，測試內容有softmax分類器人臉識別、深度網絡頂層微調算法和深度網絡整體微調算法三個方面。對各個數據庫的人臉圖像進行的預處理有直方圖均衡化、非局部均值算法、小波變換處理、Retinex圖像增強算法以及同態濾波算法。另外，使用深度網絡整體微調算法對低分辨率問題做了進一步驗證。最后，利用matlab GUI編程實現一個基于稀疏自編碼神經網絡和softmax分類器的人臉識別系統，該系統的深度層次網絡的層次和節點可調，且具備完整的識別功能。
    實驗結果表明深度學習方法對原始數據具有高效準確的抽象表達，在光照、表情、姿態以及低分辨率的條件下取得了良好的表現，尤其是在低分辨率的情況下。
    再強大的算法如果不和現實的應用場景相結合也無異于紙上談兵，除了名次的提升和無限接近于100%的實驗結果，并沒有帶來實際的價值更何談社會效益。人工智能產生的初衷是為了取代人力，將人類解放出來去創造更多的價值，人臉識別技術也同樣應該遵循這個基本原則。目前，隨著技術的發展和市場需求的快速增長，人臉已經在很多領域發揮了這樣的價值，如人臉識別考勤門禁，遠程在線核身，用刷臉替代實名場景中需要的人力和物力。在安防方面的應用比如公共場所動態監控、緝拿逃犯、人員布控等。
    相比于人眼的效率來說，人工智能的人臉識別能力要遠遠超過人類。但這并不代表機器不會出錯，畢竟，人工智能的意義是賦予人類更強大的能力、協助人類更高效的工作，而并非取代人類。

文章轉載自中國機器視覺網，如有問題，請及時聯系刪除。