機器視覺：機器學(xué)習(xí)時代，變得更多地與數(shù)據(jù)相關(guān)

在最初的幾十年里，我大量參與了音頻和語音處理等領(lǐng)域的數(shù)字信號處理。因此，如果我們倒回 20 或 30 年，想想數(shù)字信號處理和數(shù)字音頻，那時候的技術(shù)處于類似的狀態(tài)。它有效，但它很新，而且它并不是真正可以現(xiàn)成部署的。假設(shè)一家公司生產(chǎn)自動售貨機，他們想為自動售貨機添加語音命令，他們很可能不得不聘請一些 DSP 和語音專家。而且很可能他們必須真正進行一些研究和原創(chuàng)技術(shù)發(fā)明才能為他們的應(yīng)用程序創(chuàng)建一個獨特的解決方案。

然后，如果您考慮 15 或 20 年后，或者當(dāng)然是今天，如果您試圖解決同樣的問題，您甚至不會考慮嘗試從頭開始創(chuàng)建語音識別解決方案，您只是去許可一些現(xiàn)成的東西已經(jīng)在嵌入式處理器上運行。您最有可能需要做的就是指定您的應(yīng)用程序所需的詞匯表，并找出您的機器將如何響應(yīng)語音命令的應(yīng)用程序邏輯。

對于某種視覺應(yīng)用程序的深度神經(jīng)網(wǎng)絡(luò)，我想說可能對于所有應(yīng)用程序，我們?nèi)蕴幱谠缙陔A段，公司確實需要一些內(nèi)部專業(yè)知識來弄清楚這項技術(shù)并將其有效地用于他們特定的應(yīng)用程序和用例。但與此同時，工具和現(xiàn)成的解決方案發(fā)展得非常迅速。因此，我們正在迅速到達一個地方，對于常見的功能和用例，您只需購買現(xiàn)成的基于深度學(xué)習(xí)的解決方案即可。

一個很好的例子就是手勢控制。假設(shè)在汽車應(yīng)用中，我希望駕駛員能夠通過手勢來控制氣候控制和收音機等功能。許多公司已經(jīng)擁有強大的基于視覺的手勢控制解決方案，這些解決方案是基于深度學(xué)習(xí)的，您可以許可并將其整合到系統(tǒng)中，而無需參與深度神經(jīng)網(wǎng)絡(luò)如何工作以及它們?nèi)绾喂ぷ鞯乃械讓蛹毠?jié)。重新訓(xùn)練等等。

所以我們現(xiàn)在處于早期階段。在大多數(shù)情況下，要將深度神經(jīng)網(wǎng)絡(luò)整合到其應(yīng)用程序中的公司將需要在內(nèi)部或通過合作伙伴引入一些專業(yè)知識。然而，事情進展得很快。隨著時間的推移，您可能希望通過對圖像數(shù)據(jù)(或就此而言，音頻數(shù)據(jù)或其他類型的傳感器數(shù)據(jù))進行操作的深度神經(jīng)網(wǎng)絡(luò)來執(zhí)行的常用功能越來越多，將現(xiàn)成可用。

算法和代碼一直是宇宙的中心，如果你想一想為了做某事而接收傳感器數(shù)據(jù)的系統(tǒng)和應(yīng)用程序。想一想賽格威滑板車及其反饋控制機制。它從加速度計獲取傳感器數(shù)據(jù)，可能來自車輪上的傳感器，也可能來自其他類型的傳感器，它有一個反饋循環(huán)運行，然后控制電機，這樣它就可以以可預(yù)測的方式運行，人們可以使用它安全且高效。所以這一切都是關(guān)于，這些算法是什么，代碼是什么?

在機器學(xué)習(xí)時代，這變得更多地與數(shù)據(jù)有關(guān)。我們使用什么數(shù)據(jù)來訓(xùn)練讓我們獲得所需行為的算法?而不是編寫代碼并編寫我們自己的算法并對其進行改進。這是一個巨大的變化，它需要不同的思維方式和一套不同的技術(shù)和工具來回答這樣的問題，比如我們需要多少數(shù)據(jù)?什么樣的數(shù)據(jù)?需要如何對其進行注釋以便我們可以將其用于訓(xùn)練?我們將如何衡量準(zhǔn)確性?

這是一個教育非常重要的領(lǐng)域，因為技術(shù)是如此不同。深度神經(jīng)網(wǎng)絡(luò)的技術(shù)與經(jīng)典的手工設(shè)計算法截然不同。這是人們確實需要在教育方面進行投資的地方，無論是個人還是組織。他們還需要通過經(jīng)驗來學(xué)習(xí)。

您會考慮您的視力使您能夠做的所有事情，從非常精細的運動任務(wù)(如穿針)到在三維空間中導(dǎo)航，無論您是步行還是乘坐某種交通工具。閱讀別人的肢體語言。甚至可能會讀他們的嘴唇。我們從視覺上獲得的信息量非常驚人。同樣，機器可以從視覺數(shù)據(jù)中獲得范圍相當(dāng)驚人的洞察力和有用信息。

但就像人類不限于視覺數(shù)據(jù)一樣，在許多情況下，機器使用其他類型的數(shù)據(jù)也是有意義的。對此我感到“啊哈”的是，大約在 2011 年左右，我在我們家的小型貨車上安裝了一個純粹基于計算機視覺的早期 MobilEye 駕駛員輔助系統(tǒng)，因為我想獲得一些第一手經(jīng)驗，了解它是如何真實的——世界計算機視覺在當(dāng)時發(fā)揮了作用。該系統(tǒng)在當(dāng)時令人印象深刻。但我會告訴你它哪里不令人印象深刻。

幾個月后，我們住在舊金山附近，冬天我們?nèi)胰ヌ坪眯?。如果你這樣做了，你就會知道一個普遍的現(xiàn)象是，當(dāng)你上山時，天氣變化非?？?，能見度會瞬間從無限變?yōu)閹缀鯙榱?。好吧，這發(fā)生了。我們在 80 號高速公路上跟在一輛 18 輪車后面，突然天氣變了，18 輪車不見了?？床坏剿Ｋ赡茉谇胺?100 英尺處。我看不到它，我的基于計算機視覺的駕駛員輔助系統(tǒng)也看不到。因為它依賴于我能看到的相同視覺波長。

所以這是一個真正的教訓(xùn)，這是一個了不起的系統(tǒng)，但它有一些真正的局限性。在那種情況下，雷達將是視覺的完美補充或補充，因為即使雷達幾乎不能像圖像傳感器那樣辨別物體的性質(zhì)，但它對霧、雨、黑暗和黑暗等事物沒有問題。很快。

所以我絕對認為，從應(yīng)用到應(yīng)用，將會有很多應(yīng)用應(yīng)該補充圖像傳感器，將由其他類型的傳感器補充，實際上深度學(xué)習(xí)真的可以幫助我們以組合的方式使用這些數(shù)據(jù)來充分利用它。

會有一些應(yīng)用程序不需要圖像傳感器。事實證明，雷達本身或激光雷達本身更勝一籌。

順便說一下，圖像傳感器也不只有一種。我們有紅外線，我們有超光譜，我們有立體圖像。所以那里也有很多多樣性，甚至停留在視覺領(lǐng)域。那里有很多選擇。很大很大的設(shè)計空間。

不同的市場研究公司以不同的方式定義機器視覺市場，他們對市場規(guī)模的估計彼此相差很大，但他們的估計往往在 10% 左右的范圍內(nèi)。據(jù)估計，到 2020 年底，機器視覺市場價值 114 億美元。做出該估計的公司預(yù)計到 2027 年該市場價值可能超過 190 億美元。