<menuitem id="3fdxt"></menuitem>

<var id="3fdxt"></var><cite id="3fdxt"><i id="3fdxt"><address id="3fdxt"></address></i></cite>
<address id="3fdxt"><ins id="3fdxt"><ruby id="3fdxt"></ruby></ins></address>
<var id="3fdxt"></var>
<progress id="3fdxt"></progress>
<th id="3fdxt"></th><var id="3fdxt"></var>
<cite id="3fdxt"><span id="3fdxt"><address id="3fdxt"></address></span></cite>
<menuitem id="3fdxt"><span id="3fdxt"></span></menuitem>
<progress id="3fdxt"></progress>
<cite id="3fdxt"><span id="3fdxt"></span></cite>
安防-资讯

安防展览网 > 资讯 > 视点跟踪 > 正文

“深度学习是否已死?#20445;?#30475;看国内外专家怎么说(上)

2019-03-27 08:54:39 AI瞭望站 作者:华凌 点击量:34430
  【中国安防展览网 视点跟踪】不久前,全球人工智能计算机视觉领域奠基人之一、约?#19981;?#26222;金斯大学教授艾伦·尤尔抛出“深度学习(Deep learning)在计算机视觉领域的瓶颈已至”的观点,引发业内许多专家的共鸣和热议。
 
  目前,作为实现人工智能的一?#20013;?#24335;,深度学习旨在更密切地模仿?#27515;?#22823;脑。那么,业内专家学者是否认同这种说法?作为人工智能技术的重要基础,深度学习在发展中究竟遇到哪些困难?如果深度学习瓶颈已至,我们该如何破解这个难题?#30475;?#30528;相关问题,科技日报记者近日采访了中外人工智能的知名专家?#26434;?#23572;教授的观点深入解读。
 
  深度学习精到之处
 
  最初,深度学习刚刚进入大多数人工智能研究人员的视线时,被嗤之?#21592;牽?#20294;短短?#25913;?#21518;,它的触角在诸多高科技领域延伸,横跨谷歌、微软、百度乃至推特等多家企业。
 
  很多高科技公司热衷探索深度学习的一种特殊形态——卷积神经网络。卷积网络是?#19978;?#20114;连通的卷积层组成,与大脑中处理视觉信息的视觉皮层十分类似,不同之处在于,其可以重?#35789;?#29992;一张图像中多个位置的相同过?#20284;鰲?#19968;旦卷积网络学会在某个位置识别人脸,也可以自动在其他位置识别人?#22330;?#36825;种原理?#24425;视?#20110;声波和?#20013;?#25991;字。
 
  业内人士认为,卷积神经网络可以使得人工神经网络能够快速接受培训,因为“内存?#21152;每占?#23567;,不需要对图像中每个位置的过?#20284;?#36827;行单独存储,从而?#32929;?#32463;网络非常适合于创建可扩展的深网(Deep nets)”。这也令卷积神经网络具有善于识别图形的优点。正是基于此,谷歌开发出安卓手机的语音识别系?#22330;?#30334;度对可视化新型搜索引擎进行研发。
 
  当然,要让卷积神经网络正常运作需要功能?#30475;?#30340;计算机和庞大的数据集,而其在?#21344;?#25968;据或计算平均值时,效果并非十全十美。
 
  卷积神经网络的力挺者、?#31216;?Facebook)人工智能实验室负责人伊恩·勒坤表示,目前使用最广泛的卷积神经网络几乎完全?#35272;?#20110;监督学习。这意味着,如果想让卷积神经网络学会如何识别某一特定对象,必须?#32422;?#20010;样本进行标注。而无监督学习(Unsupervised learning)可以从未经标记的数据展开学习,更接近人脑的学习方式。而在此基础上开发的反向传播算法,能?#34892;?#20351;错误率最小化,只是不太可能体现出?#27515;?#22823;脑的运作机理。
 
  勒坤表示:“我们对大脑如何学习几乎是完全陌生的。尽管人们已经知道神经元突触能够自?#19994;?#25972;,但对大脑皮层的机理尚不明晰,所知道的最终答案是无监督学习是一种更接近人脑的学习方式,但?#26434;?#22823;脑的?#29616;?#26426;制却无力解答。”
 
  瓶颈凸显需警惕
 
  “虽然深度学习优于其他技术,但它不是通用的,经过数年的发展,它的瓶颈已经凸显出?#30784;?rdquo;不久前,艾伦·尤尔指出。
 
  尤尔认为,深度学习有三大局限:首先,深度学习几乎总是需要大量的标注数据。这使得视觉研究人员的焦点过度集中于容易标注的任务,而不是重要的任务。
 
  其次,深网在基准数据集上表?#33267;?#22909;,但在数据集之外的真实世界图像上,可能会出现?#29616;?#22833;败。特别是,深网难以应付数据集中不经常发生的“罕见?#24405;?rdquo;。而在现实世界的应用中,这些情况则会产生潜在风险,因为它们对应的视觉系统?#25910;?#21487;能导致可怕的后果。?#28909;紓?#29992;于训练自动驾驶汽车的数据集几乎从不包含“婴儿坐在路上”的情况。
 
  第三,深网对图像中的变化过度敏感。这种过度敏感不仅?#20174;?#22312;对图像中难以察觉变化的标准上,还?#20174;?#22312;对上下文的变化上,由于数据集大小的局限,过度敏感会导致系统做出错误判断,但这种因过度敏感而导致的图像变化却难以欺骗?#27515;?#35266;察者。
 
  例如,在一张?#31908;?#37324;有只猴子的照片中,PS上一把吉他。这会导致AI将猴子误认为?#27515;啵?#21516;时将吉他误认为鸟。大概是因为它认为?#27515;?#27604;猴子更可能携带吉他,而鸟类比吉他更可能出现在附近的?#31908;?#20013;。
 
  尤尔认为,瓶颈背后的原因是一个叫做“组合爆炸”的概念:就视觉领域而言,从组合学观点来看,真实世界的图像量太大了。任何一个数据集,不管多大,都很难表达出现实的复杂程度。更何况每个人选择物体、摆放物体的方式不一样,搭出的场景数量可以?#25163;?#25968;增长。而这需要无限大的数据集,无疑对训练和测试数据集提出巨大挑战。
 
  业内专家表示,这三大局限性问题虽?#32929;?#19981;死深度学习,但它们都是亟待需要警惕的信号。
 
  “已死”之说值得商榷
 
  去年,深度学习领域一位知名学者曾在?#31216;?#21457;布惊人之语——深度学习已死,引起业内一片哗然,以至于现在网上机器学习社区的一些人说,搞深度学习是在走死胡同。
 
  “我认为‘深度学习已死’这种说法,是出自?#20999;?#26366;经极为看好深度学习、后来却意识到其局限的业内人士。而局限并不意味着这个事物已经死亡,我们可以补充一些东西进去。”法国泰雷兹集团首席技术官马克·厄曼向科技日报记者表示。
 
  “我不赞同‘深度学习已死’的提法。”新一代人工智能产业技术创新战?#31908;?#30431;联合秘书长、科大讯飞副总裁兼AI研究院联席院长李世鹏指出。
 
  李世鹏说,深度学习作为一个新的计算科学领域的方法,当然有其自身的限制和缺陷。这个在外界被炒作成万能的AI工具,其实科学界一直都很谨慎地对待,从一开始大家就知道它的一些局限性,?#28909;?#23545;标注?#35828;?#22823;数据?#35272;怠?#38750;解释性、没有?#35780;?#21151;能、对训练集里包括的样本就能工作得很好而对没有包括的样本就很差、系统模型处于非稳态(相对?#27515;?#26234;能而言,对?#35895;?#21160;攻击能力比较差)等。
 
  “我比?#26174;?#25104;尤尔教授的客观说法——深度学习在计算机视觉领域的瓶颈已至,特别是他?#33268;?#38382;题的这个时间点很有必要,在方向上有矫枉过正的提示作用。现在大家对深度学习热衷得有些过度,在学术界,甚至在产?#21040;紓?#32473;人一种似乎‘非深度学习非AI’的感觉。实际上这是有很大问题的,因为深度学习确实只是人工智能领域里一个被实现出来的,却比?#38505;?#30340;成功经验。”远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲指出。
 
  总而言之,李世鹏表示,深度学习已死之说法值得商榷。在未来相当一?#38382;?#38388;里,深度学习会对人工智能发展起着积极推动作用,并具有很大的应用价值,同时,科学家对深度学习天生的缺陷和局限已明晰,正在尝试一些方法补足其现阶段发展的不足,并在各自的领域内探索着下一代人工智能的突破。

声明:凡来源标明“安防展览网”的文章版权均为本站所有,如需转载请务必注明出处,违者本网将追究相关法律责任;所?#24418;?#26631;明来源为“安防展览网”的转载文章目的在于传递更多信息,均不代表本网立场及观点,“安防展览网”不对这些第三方内容或链接做任何保证或承担任何责任;如涉及版权等问题,请在内容发表之日起一周内与本网联系,否则视为放弃相关权利。

我要评论

所有评论仅代表网友意见,与本站立场无关。


厦门大手控制技术有限公司

安防期刊

更多

资讯视频会议协会

咨询中心

服务咨询QQ交谈

在线客服QQ交谈

?#25945;?#21512;作QQ交谈

展会合作QQ交谈

返回首页
牛图片
<menuitem id="3fdxt"></menuitem>

<var id="3fdxt"></var><cite id="3fdxt"><i id="3fdxt"><address id="3fdxt"></address></i></cite>
<address id="3fdxt"><ins id="3fdxt"><ruby id="3fdxt"></ruby></ins></address>
<var id="3fdxt"></var>
<progress id="3fdxt"></progress>
<th id="3fdxt"></th><var id="3fdxt"></var>
<cite id="3fdxt"><span id="3fdxt"><address id="3fdxt"></address></span></cite>
<menuitem id="3fdxt"><span id="3fdxt"></span></menuitem>
<progress id="3fdxt"></progress>
<cite id="3fdxt"><span id="3fdxt"></span></cite>
<menuitem id="3fdxt"></menuitem>

<var id="3fdxt"></var><cite id="3fdxt"><i id="3fdxt"><address id="3fdxt"></address></i></cite>
<address id="3fdxt"><ins id="3fdxt"><ruby id="3fdxt"></ruby></ins></address>
<var id="3fdxt"></var>
<progress id="3fdxt"></progress>
<th id="3fdxt"></th><var id="3fdxt"></var>
<cite id="3fdxt"><span id="3fdxt"><address id="3fdxt"></address></span></cite>
<menuitem id="3fdxt"><span id="3fdxt"></span></menuitem>
<progress id="3fdxt"></progress>
<cite id="3fdxt"><span id="3fdxt"></span></cite>