機(jī)氣林商城智能科技2019提供自動(dòng)化零件，工控產(chǎn)品，工業(yè)機(jī)器人，以及機(jī)器人零部件、機(jī)械元件以及氣動(dòng)元件等。機(jī)氣林商城，一站式機(jī)器人采購(gòu)平臺(tái)

　　機(jī)氣林電商有話說(shuō)：

你可能聽(tīng)說(shuō)過(guò)，在河南的農(nóng)村里，在非洲的城市中，每一個(gè)你想象不到的地方，有著大量的數(shù)據(jù)標(biāo)注員。

　　他們手動(dòng)在圖片里把每一只花瓶和每一輛汽車(chē)框出來(lái)，并且標(biāo)上“花瓶”和“汽車(chē)”。一段時(shí)間后，這些人把成千上萬(wàn)張標(biāo)記好的圖片打包，發(fā)送給遠(yuǎn)在北京、上海甚至舊金山的AI公司。

　　GQ將這些人稱為《那些給人工智能打工的人》。
 

　　人工智能發(fā)展迅速，大大小小的互聯(lián)網(wǎng)科技公司相繼開(kāi)展研究，投入商用。然而訓(xùn)練一個(gè)可用的AI，需要大量準(zhǔn)確標(biāo)記好的圖片、視頻等資料。

　　正因?yàn)榇?，市?chǎng)對(duì)數(shù)據(jù)標(biāo)注的需求如此之大，吸引“那些給AI打工的人”爭(zhēng)相加入，其中不乏原來(lái)找不到工作的閑散人員——畢竟這份工作只需要?jiǎng)觿?dòng)鼠標(biāo)，用不上太多知識(shí)。

　　但是，恐怕不久后，這些人就將再次失業(yè)。

　　上周，來(lái)自約翰·霍普金斯大學(xué)、斯坦福大學(xué)和Google的專家聯(lián)合發(fā)布了一篇論文，介紹了他們使用神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)搜索神經(jīng)網(wǎng)絡(luò)，將其投入圖像分割方面的研究，并且取得的重要進(jìn)展：

　　研究人員采用神經(jīng)架構(gòu)搜索(Neural Architecture Seartch, NAS)技術(shù)設(shè)計(jì)了一個(gè)神經(jīng)架構(gòu)(A)，放任它去自動(dòng)搜索/設(shè)計(jì)出新的神經(jīng)架構(gòu)(B)，投入到圖像語(yǔ)義分割(semantic image segmentation)的任務(wù)中。

　　研究人員發(fā)現(xiàn)，這個(gè)被自動(dòng)搜索出來(lái)的神經(jīng)架構(gòu)B，在主流的小規(guī)模圖像數(shù)據(jù)集上，未經(jīng)訓(xùn)練就直接使用，表現(xiàn)已經(jīng)超過(guò)了現(xiàn)有人類設(shè)計(jì)的、預(yù)先訓(xùn)練好的模型。

　　以往人們一直相信，設(shè)計(jì)AI需要大量知識(shí)和經(jīng)驗(yàn)，簡(jiǎn)而言之就是需要人來(lái)設(shè)計(jì)。

　　但現(xiàn)在，AI設(shè)計(jì)出的AI，已經(jīng)比人設(shè)計(jì)出的AI更強(qiáng)。

　　論文的標(biāo)題叫做：Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Image Segmentation

　　研究人員將這個(gè)能夠自動(dòng)搜索(設(shè)計(jì))神經(jīng)架構(gòu)的技術(shù)命名為Auto-DeepLab。這個(gè)名字來(lái)自于DeepLab，Google人工開(kāi)發(fā)的圖像語(yǔ)義分割技術(shù)。前面加上Auto，意思是在DeepLab的基礎(chǔ)上，新的技術(shù)可以實(shí)現(xiàn)了很大程度的自動(dòng)化。

　　論文署名作者當(dāng)中，兩人來(lái)自約翰·霍普金斯大學(xué)，其中第一作者是Chenxi Liu，曾在Google實(shí)習(xí);有四人來(lái)自Google;剩下的一人來(lái)自斯坦福大學(xué)，正是原Google Cloud首席科學(xué)家，在計(jì)算機(jī)視覺(jué)學(xué)術(shù)和業(yè)界知名的李飛飛教授。

　　“本著AutoML(編者注：Google主導(dǎo)的AI計(jì)劃，將算法選擇，模型的超參數(shù)調(diào)整，迭代建模和模型評(píng)估等工作自動(dòng)化。)和人工智能普及化的精神，對(duì)于不依賴專家經(jīng)驗(yàn)知識(shí)，自動(dòng)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)，人們的興趣有了顯著提升?！弊髡咛岬?。
 

　　在“AI自動(dòng)設(shè)計(jì)AI”這件事上，Auto-DeepLab有幾個(gè)比較重要的新嘗試。

　　首先，神經(jīng)架構(gòu)搜索NAS技術(shù)是AI領(lǐng)域的新興物種，主要用于簡(jiǎn)單的圖片分類。而在這篇論文里，研究者首次嘗試將NAS投入到高密度的圖片預(yù)測(cè)任務(wù)上(也就是對(duì)更復(fù)雜的高分辨率圖片進(jìn)行語(yǔ)義分割，比如Cityscapes城市街景數(shù)據(jù)集、PASCAL VOC 2012和ADE20K等數(shù)據(jù)集)。

　　其次，在計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，通常分為內(nèi)層、外層的兩級(jí)架構(gòu)，自動(dòng)化的神經(jīng)架構(gòu)設(shè)計(jì)往往只能設(shè)計(jì)內(nèi)層，外層仍需要人來(lái)設(shè)計(jì)和手調(diào)。而Auto-DeepLab是第一個(gè)讓AI掌握外層設(shè)計(jì)和調(diào)參能力，并在圖像語(yǔ)義分割任務(wù)上得到優(yōu)異結(jié)果的嘗試。

　　“圖像語(yǔ)義分割”六個(gè)字聽(tīng)上去有點(diǎn)拗口，其實(shí)很好理解：對(duì)于一張圖劃分幾個(gè)類別，然后將所有的像素點(diǎn)歸類。

　　比如下面這張圖，可以簡(jiǎn)單分為三類。圖像語(yǔ)義分割的任務(wù)，就是判斷每一個(gè)像素點(diǎn)屬于人、自行車(chē)，還是背景。
 

　　需要明確的是，圖像語(yǔ)義分割的任務(wù)純粹是判斷像素點(diǎn)屬于哪個(gè)類別，它不能識(shí)別和區(qū)分獨(dú)立的物體。

　　不過(guò)圖像語(yǔ)義分割仍然有很重要的意義，比如在它可以用于手機(jī)拍照的“人像模式”。采用更優(yōu)秀的圖像語(yǔ)義分割技術(shù)，手機(jī)能夠在更高精度的照片里確認(rèn)每一個(gè)像素點(diǎn)，屬于人，亦或是背景。

　　目前Google、小米等公司都在手機(jī)拍照上使用這一技術(shù)。理論上，未來(lái)的“人像模式”可以在毛發(fā)、衣物邊緣實(shí)現(xiàn)更好的效果。

　　以及在自動(dòng)駕駛的場(chǎng)景里，神經(jīng)網(wǎng)絡(luò)需要判斷擋在前面的是車(chē)、行人還是建筑物，進(jìn)而采用不同策略進(jìn)行躲避，這同樣需要圖像語(yǔ)義分割來(lái)打基礎(chǔ)。

　　從該論文體現(xiàn)的效果來(lái)看，Auto-DeepLab還可以被轉(zhuǎn)移到其他任務(wù)上。言外之意，讓AI自動(dòng)設(shè)計(jì)AI這件事，可能還會(huì)有很大的想象空間。

　　比如作者在論文最后提到，在目前的研究框架內(nèi)，他們可以繼續(xù)在物體識(shí)別的方向進(jìn)行研究。

　　如果能夠取得類似的結(jié)果，大規(guī)模使用，沒(méi)準(zhǔn)有一天，在數(shù)據(jù)標(biāo)注(特別是圖像標(biāo)注)這件事上，人類標(biāo)注員的成本等優(yōu)勢(shì)可能也會(huì)消失。

　　如果人工智能可以給人工智能打工，打工效率比人還高……

　　“那些給人工智能打工的人”，會(huì)失去工作嗎?

　　【人氣商品】：

　　機(jī)器林商城產(chǎn)品大推薦

　　【品牌推薦】：

　　機(jī)氣林電商爆款大曝光、機(jī)器人周邊產(chǎn)品總覽

　　【最新資訊】：

　　 機(jī)氣林商城官網(wǎng)(網(wǎng)址打不開(kāi)就+V:I99~46O3~9726機(jī)氣林)

　　上海機(jī)氣林智能科技有限公司

　　上海市青浦區(qū)華浦路 500 號(hào)

　　電話：021-59801300