深度神经网络的应用 计算机视觉存六大困难，很多问题很难用函数逼近解决(2)

北京市海淀区区长戴彬彬（左）和创客天下集团总裁蒙洋

创客天下集团总裁蒙洋介绍，“中关村人工智能创新创业基地”去年初改造，总投资接近1个亿，目前已经入驻无人机研发、无人零售等领域的初创企业，共同探索人工智能产业创新发展的海淀模式。

AI+产业案例：DNA计算机、智慧城市、智能客服还有想象空间

生物医学的发展，需要AI技术的帮助，而生物技术和AI的结合，也从另外一个层面为人工智能技术落地提供了很好的依据。

例如，利用人工智能技术，将扫描视网膜的图像来进行分析，能够对网膜的病变得出更加精确的结果。中国科学院院士陈润生说，利用人工智能还可以用来分析基因组，并且已经建立了很多深度学习的算法。

此外，生物科学家们也在研究DNA计算机，希望通过深度学习，以DNA为材料建立DNA计算机，将来有望成为跟常规的计算机并列的新型计算机。

智慧城市也是人工智能技术落地的重要场景。北京智慧社会创新中心由商汤科技牵头成立，主要聚焦人工智能在三大领域落地的城市功能：

1、城市的治理创新。商汤科技联合创始人兼CEO徐立介绍，成立智慧社会研究院主要是解决大城市病的问题，人工智能介入城市的规划和服务，城市治理将由人治转为机器治，有了这样一个更智能的状态，整个城市的治理会走上新的台阶。

2、城市规划创新。目前很多城市规划还是基于专家的支持，今后可以通过大量的大数据分析，甚至是从天上遥感的数据、卫星的数据进行路面分析，进行路网提取；对路上的拥堵情况进行的分析，从而对城市的交通治理进行优化。除此之外城市土地面积使用，可以进行实时分析给出建议。从现在的治理走向未来的规划。

3、城市公共机构服务优化。深度神经网络的应用城市的服务随着人口的的扩张，出现服务跟不上的情况，现在有了人工智能技术，能够提高业务处理效率。比如在北京西站出入口加入了人工智能（），就会这个整个城市的服务质量有整体的把握，并且能够用统一的标准更好的服务更。

百度计算机视觉首席科学家杨睿刚目前在百度研究院任三维视觉首席科学家、机器人和自动驾驶实验室负责人，介绍了百度AI的发展历程和技术布局。

孙剑：很多问题很难用函数逼近解决，计算机视觉存六大困难

旷视研究院院长孙剑博士带领研发的“深度残差网络（ResNet）”和“基于区域的快速物体检测（Faster-RCNN）”技术已经在学术界和工业界广泛应用，AlphaGo Zero也使用到了ResNet。

不过，在论坛上孙剑博士认为，尽管依靠深度神经网络计算机视觉技术有了突破，但是它只能解决函数逼近问题，还有很多问题很难用函数逼近去解决。虽说视觉是感知问题，但是视觉背后有很多认知问题，目前主要存在以下几个问题：

1、定义物体（Functional Object）。首先定义很难，如果定义不清楚，就没法做精确的物体识别。同时，还有很多定义的概念是包容性的，千差万别。只有对这些概念有很好的建模，才能做场景理解。

2、遮挡（Occlusion）。今天物体检测方法非常非常好了，但遇到遮挡，依然做的不太好。

3、上下文理解。下图中，两个红框里是什么东西？对于大多数人来讲可能是人，但是机器还没有这个能力去推理出是人。

4、物体跟踪。下图中，物体的重叠非常严重，人类有很强的跟踪能力，但是如果使用当前最好的跟踪系统，机器也很难做到人类的水平，我们检测方法并没有非常好的推理机制应用到里面。

5、手眼配合。为什么很多家庭机器人卖不出去？因为现在的机器人做不好手眼配合，它们不能像人类一样能做家务、做饭。

6、精度问题。不管是做无人车，还是做自动驾驶，在一定程度上要求的精度是非常高的，甚至只有高过现在的标准，人工智能技术才能顺利推广下去。

不过，目前孙剑团队也正在解决上述问题，并探索出几个有价值的方向。如在物体识别领域，旷视研究院推出的业界第一个多机(128卡)训练的MegDet，曾在国际权威图像识别竞赛COCO中夺得世界第一。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-74432-2.html