深度学习应用

Deep-Sci："-sci-"源自拉丁语的"scientia"（知识）

小科

物语

+

更突出、更难用、更有用。

【每日一篇】

执大象，天下往。往而不害，安平太。乐与饵，过客止。道之出口，淡乎其无味。视之不足见，听之不足闻，用之不足既。

——《道德经·往而不害》

众所周知，大数据及 AI 的研究需要前提。

是需要有海量的数据作为支持的。

其研究方向主要包括两类。

首先，通过机器学习等方法设计更优的调度算法提升资源效率。

其次，从内核到硬件建立完善的互动机制来提升资源效率。

深度学习是大数据分析的重要工具。

它的发展得益于大数据、强大的计算能力和长期逐步积累的计算方法。

同时，深度学习也存在很多问题，主要有三个。

一是网络功能相对单一，一般一个网络只针对一个特定的任务，网络的通用性较差。

二是计算复杂程度偏高，网络训练对内存和计算能力要求较高。

三是浮点运算功耗较大，在移动和低端设备上使用有困难。

四是模型构建缺乏明确理论框架，可解释性较差。

五是网络的设计缺乏理论指导依据。

网络小型化和轻型化是目前深度学习的研究热点。

另外，深度学习专用芯片是未来趋势。

大数据产业的迅速发展也推动了其他产业的发展和社会进步。

2015 年全球大数据产业规模为 200-300 亿美元。

据中国信息通信研究院显示，2015年我国大数据产业规模为115.9亿元人民，2016 年到 2018 年将维持 40%的增长。

深度学习的最新进展可以用三个词来概括：更突出、更难用、更有用。

首先是更突出。

物联网的发展使数据越来越大、越来越复杂。

全球的数据量从 2010 年起进入 ZB，2011 年进入 1.8ZB。

据分析，近两年产生的数据总量相当于人类有史以来的综合。

物联网数据增量将在 2020年达到 40ZB 左右。

其次是更难用和更有用。

在数据爆发的时代下，普通计算统计不再适用。

更多的是依靠相关性分析来处理数据。

而 AI 则是处理大数据的利器。

但另一方面，这些难用的数据也将更有用。

基于对大数据的分析可以为产业优化提供解决方案。

深度学习的前沿应用主要有图像、自然语言处理、传染病预测、反恐等。

比如说图像，又可以细分为图像修复、图像上色、图形分割、图像风格迁移等等。

或者是自然语言处理，从文本生成到诗歌写作。

通过对诗歌素材的分析学习生成模型，进一步进行分析和优化。

最后完成诗歌写作。

更进一步地，可以从文字描述生成图片。

再比如传染病预测。

通过 AI 系统将当地医院新报告的传染病出现的时间、地点以及包括风向、温度、湿度、人口密度等 274 个因素进行结合，可以提前 3个月预警疫情爆发，准确率达88%。

或者说反恐。

ShotSpotter 自动化系统配备大量声音传感器探测枪械的独特声音，从而定位枪击位置。

机器学习能确定是否为枪击声，并计算出他们的数量，武器类别等。

尤其以视觉智能、图像处理为优。

视觉智能的研究包括：图像去噪、图像去模糊、图像超分辨、图片美学分析等方面。

比如，车牌超分辨。

即将模糊的车牌增强为高分辨的清晰车牌。

将超分辨结果与车牌识别网络结合，可以整体提升 2%左右的识别率。

还有各类监控视频目标检测。

对交通监控视频可达每秒200 到 300 帧的检测速度，远远满足了实时性的要求。

这项技术极大降低了模型对场景背景的依赖，对于未知场景。

检测精度会有 8%以上的提升。

还可以进行PTZ 视频全景背景建模。

首次给出了 PTZ 相机单视角背景视频到全景视频的快速融合方法，提供了全景图片到保直线图片的变换，为全景视频道路自动打标提供了可行方案。

生成的交通全景视频也可用于道路 VR 生成，PTZ 相机视频的前背景分离等问题。

在硬件计算能力的提升和大数据的喂养下，深度学习成为AI领域最火的一个算法方向，当然，我们非常清楚，一切都还只是开始。

▼ 更突出、更难用、更有用

✨星星发亮是为了让每一个人有一天都能找到属于自己的星星

▼