人工智慧會議整理

Google TensorFlow 團隊成員Sherry Moore

Google AI: bringing the benefits ofartificial intelligence to everyone

人工智慧-機器學習-深度學習之間的包含關係

目前神經網路突破的原因：數據量及計算能力的增加

介紹關於AutoML的相關研究進展，可以為模型優化提供一定的幫助，值得關注。

人工智慧輔助病理影像診斷 清華大學博後 王書浩

相比於其他醫療圖片，病理圖像尺寸較大

病理學圖像.png

病理圖像預處理過程

首先圈出癌症細胞區域

將整幅病理圖像劃分為多個帶有標註的patch，這樣子一張大的病理圖像實際上成為很多張小的代label的訓練圖片

patch-label對應.png

訓練過程.png

模型設計.png

由於每張patch尺寸過小，若使用模型標準網路結構，圖像解析度最終縮小32倍，導致細節特徵難以提取，通過修改卷積核及補償，將解析度縮小固定在8倍，將補償由2減小為1.

確定好每一張圖像與切分後的patch的坐標關係，通過後處理，將確定為癌細胞的區域在原圖片進行標註，最終形式能夠對病理圖像訓練後得到癌症細胞區域的推薦標註。

tensorflowserver.png

使用TensorFlow server 完成伺服器版本的上線

伺服器數量與性能關係

對伺服器數量與準確率關係進行了分析，最終系統搭建的伺服器數量為10台。目前能夠達到的訓練速度為一小時處理1G的圖像（按照開始給出的圖像大小估計，一小時最多能夠處理一張病理切片）

*未使用遷移學習，直接在病理圖像上進行訓練。

用於無人駕駛的深度學習技術 UC Berkeley 吳璧辰

無人駕駛涉及兩個方面，感知（perception）與計劃/控制，計算機視覺相關技術解決的是感知部分的工作。

神經網路演變.png

自2012年AlexNet大獲成功後，後續網路均向更深層次的網路模型進行演化

過於複雜的網路產生的參數較多，計算資源消耗過大，導致在自動駕駛領域應用受限（InceptionNet,ResNet等網路雖然層次較深，但模型參數量反而低於AlexNet和VGG）

SqueezeNet與AlexNet對比.png

第一部分研究工作為提出SqueezeNet,在保證和AlexNet網路相同的準確率前提下，模型參數量大幅降低，但是根本上說，該部分工作思路實際類似於InceptinNet

SqueezeNet網路結構.png

*在此基礎上，提出ShiftNet,模型參數更小，準確率更高，相關工作可查看論文。

目標檢測主流方法比較.png

對於目標檢測演算法，傳統HOG+DPM速度快，消耗計算資源低，但是準確率低，R-CNN帶表的two-stage演算法準確率達到了很高的水平，但是速度低，消耗計算資源高，以YOLO為代表的one-stage演算法準確率相對較高，速度較快，但是消耗計算資源較高

SqueezeDet.png

利用SqueezeNet網路 提取特徵，完成了SqueezeDet目標檢測演算法的開發。

LiDAR.png

*單純依靠RGB圖像的自動駕駛方法，對燈光條件不魯棒

*LiDAR能夠提供對燈光，天氣更加魯棒的距離測量。主流的無人駕駛方案是RGB+LiDAR。

SqueezeSeg.png

在SqueezeNet基礎上了提出了SqueezeSeg,針對點雲圖像進行目標檢測，可查看相應論文。

智能簡史 微軟亞洲研究院 洪小文

智能等級.png

計算與記憶 是最低級的，人類已經完全無法與計算機相比

perception 由於CNN，RNN的發展，計算機在此類任務上已經超過人類（）圖像分類，目標檢測，語義理解等

認知上，在一些數據集上，微軟的研究工作超過了人類。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！