AI Conference北京大會整理
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。
※利用谷歌object detection API實現Oxford-IIIT Pets Dataset 目標檢測趟坑記錄
TAG:大冰歐巴喂糖吃 |