0
| 本文作者： 叢末 | 2019-10-22 17:07 | 專題：CNCC 2019 |
雷鋒網(wǎng) AI 科技評(píng)論按：10 月 17 日至 19 日，由 CCF 主辦、蘇州工業(yè)園區(qū)管委會(huì)、蘇州大學(xué)承辦的 CNCC 2019 在秋意正濃的蘇州如約而至。今年大會(huì)以「智能+引領(lǐng)社會(huì)發(fā)展」為主題，選址蘇州金雞湖國(guó)際會(huì)議中心召開。雷鋒網(wǎng) AI 科技評(píng)論將會(huì)作為戰(zhàn)略合作媒體進(jìn)行全程跟蹤報(bào)道。
除了 15 場(chǎng)特邀報(bào)告外，今年 CNCC 的 79 場(chǎng)技術(shù)論壇作為會(huì)議的另一大重要組成部分，也是參會(huì)者重點(diǎn)關(guān)注的內(nèi)容。其中「計(jì)算機(jī)視覺(jué)技術(shù)賦能智慧城市」技術(shù)論壇盡管在大會(huì)第三天舉辦，仍然人滿為患。據(jù)悉，CCF 在會(huì)議召開前夕對(duì)本次會(huì)議的 70 多場(chǎng)技術(shù)論壇的微信點(diǎn)擊量進(jìn)行了統(tǒng)計(jì)，該論壇的點(diǎn)擊量排名第二，現(xiàn)場(chǎng)滿席的盛況也再次引證了這一技術(shù)論壇的受關(guān)注度。
《計(jì)算機(jī)視覺(jué)技術(shù)賦能智慧城市》技術(shù)論壇由澎思科技首席科學(xué)家、新加坡研究院院長(zhǎng)申省梅擔(dān)任主席，中科院計(jì)算所研究員、IEEE Fellow、IAPR Fellow、CCF會(huì)士陳熙霖?fù)?dān)任共同主席，邀請(qǐng)了西湖大學(xué)講席教授、IEEE Fellow李子青，西安電子科技大學(xué)教授、博士生導(dǎo)師楊淑媛、阿里巴巴自動(dòng)駕駛實(shí)驗(yàn)室主任、首席科學(xué)家王剛，清華大學(xué)自動(dòng)化系副教授魯繼文，商湯科技副總裁、智能駕駛業(yè)務(wù)總經(jīng)理勞世竑等 5 位來(lái)自學(xué)術(shù)界和業(yè)界的演講嘉賓從多重視角來(lái)分享計(jì)算機(jī)視覺(jué)技術(shù)在城市中的應(yīng)用以及對(duì)產(chǎn)業(yè)落地的思考，值得一提的是，本論壇的主席申省梅也親自上陣作為演講嘉賓之一在現(xiàn)場(chǎng)為大家?guī)?lái)了壓軸演講。
我們下來(lái)一一來(lái)看各位嘉賓的演講內(nèi)容。
開場(chǎng)演講由西湖大學(xué)講席教授李子青帶來(lái)，他的演講主題是《人臉識(shí)別挑戰(zhàn)問(wèn)題和解決技術(shù)》，主要從人臉識(shí)別當(dāng)前所存在的大數(shù)量類別的模式識(shí)別問(wèn)題、人臉?lè)纻螁?wèn)題以及復(fù)雜光照問(wèn)題三個(gè)未來(lái)需要重點(diǎn)關(guān)注的挑戰(zhàn)出發(fā)，闡述了應(yīng)對(duì)這三個(gè)問(wèn)題的解決方案。
在多數(shù)量類別的模式識(shí)別方面，李子青指出，過(guò)去常用的解決方法是歐式空間，雖然這種方法能夠讓單位立方體的均勻分布點(diǎn)分布在角上，但點(diǎn)之間的相對(duì)距離卻是趨于零，并且其 Softmax 評(píng)分與人類視覺(jué)硬度并沒(méi)有很好的相關(guān)性，這種數(shù)據(jù)稀疏性缺乏統(tǒng)計(jì)意義。而現(xiàn)在采用的方法則叫做 Angular similarity，它從角度出發(fā)來(lái)進(jìn)行分類，具備 Angle Loss、Margin、Imbalanced Data 三個(gè)特點(diǎn)，在總的趨勢(shì)能夠達(dá)到預(yù)期的效果。
在人臉?lè)纻螁?wèn)題上，傳統(tǒng)方法主要是對(duì)紋理、三維形狀等方面來(lái)提取特征從而區(qū)分真人和假體，其中硅膠是最難以辨別出來(lái)的類別。而現(xiàn)在則基本采用深度學(xué)習(xí)的方法，比如說(shuō)李子青團(tuán)隊(duì)早 2014 年提出的正樣本、負(fù)樣本方法，就將深度學(xué)習(xí)引入到了人臉?lè)纻沃?，即利用眨眼、搖頭等三維結(jié)構(gòu)來(lái)判斷人臉是平面的還是三維的。例外他在今年的 CVPR 的一個(gè)人臉?lè)纻胃?jìng)賽就嘗試將 RGB 的、近紅外和深度信息進(jìn)行融合來(lái)解決該問(wèn)題。
在復(fù)雜光照問(wèn)題上，李子青表示，目前計(jì)算機(jī)視覺(jué)領(lǐng)域的獨(dú)角獸公司做的算法很強(qiáng)，然而無(wú)法在工地、高鐵站等場(chǎng)景中得到很好的應(yīng)用。他認(rèn)為，應(yīng)該利用主動(dòng)光照來(lái)解決這個(gè)問(wèn)題，這是因?yàn)榄h(huán)境的關(guān)照如果是不受控的光源，采集的圖像就已經(jīng)被破壞得很嚴(yán)重了，在這種情況下，還需要從光電硬件上去解決這個(gè)問(wèn)題?；舅悸飞?，他指出，可以將近紅外的圖像轉(zhuǎn)化為可見(jiàn)光的圖像，之后用可見(jiàn)光的匹配技術(shù)來(lái)做。其中，他的團(tuán)隊(duì)提出了 CCA 的方法，即對(duì)可見(jiàn)光圖像和近紅外圖像提取出共同特征，然后在 CCA 空間上處理這些特征，依次來(lái)克服光照問(wèn)題，不過(guò)由于 CCA 容易過(guò)擬合，效果可能沒(méi)有那么好。
接下來(lái)，西安電子科技大學(xué)教授楊淑媛帶來(lái)了主題為《基于深度學(xué)習(xí)的復(fù)雜場(chǎng)景解譯》的演講，重點(diǎn)分享了深度學(xué)習(xí)在解決復(fù)雜雷達(dá)影像問(wèn)題上的應(yīng)用。
雷達(dá)從理論到實(shí)踐，現(xiàn)在已經(jīng)有 100 多年的歷史，其功能也在不斷發(fā)生演化：從最初的測(cè)距、測(cè)角、測(cè)速發(fā)展到現(xiàn)在對(duì)一個(gè)場(chǎng)景能夠進(jìn)行成像，包括二維的成像、三維的成像等等。之后隨著一些新體制雷達(dá)的出現(xiàn)以及天線收發(fā)方式的改變，影像信息也變得更加多維，從而能夠?yàn)槔斫鈭?chǎng)景提供很好的數(shù)據(jù)源。其中「雷達(dá)影像自動(dòng)解譯」則將這些數(shù)據(jù)源利用起來(lái)的方法之一。
楊淑媛首先對(duì)這一方法進(jìn)行了解釋：「雷達(dá)影像自動(dòng)解譯」就是從這些影像信息中利用計(jì)算機(jī)來(lái)識(shí)別出來(lái)場(chǎng)景、地物信息，并且對(duì)其中感興趣的目標(biāo)信息進(jìn)行建模、分析和提取。解譯的對(duì)象其實(shí)與計(jì)算機(jī)視覺(jué)的任務(wù)類似，具體包含場(chǎng)景級(jí)的解譯、像素級(jí)的解譯等幾個(gè)層次方面的任務(wù)?，F(xiàn)在隨著觀測(cè)任務(wù)的復(fù)雜化、成像技術(shù)的發(fā)展、目標(biāo)所在場(chǎng)景的復(fù)雜化以及地物類型的增多，場(chǎng)景解譯迎來(lái)了更大的挑戰(zhàn)性難題。
接著，她介紹了為應(yīng)對(duì)場(chǎng)景解譯的難題所做的一些基于深度學(xué)習(xí)的方法，包括：
第一，借鑒人類視覺(jué)感知和認(rèn)知的特點(diǎn)，建模人類認(rèn)知特性，結(jié)合對(duì)深度結(jié)構(gòu)的宏觀模擬、神經(jīng)元稀疏認(rèn)知的微觀模擬，以及神經(jīng)元間選擇注意的介觀模擬，設(shè)計(jì)具有稀疏性、選擇注意和方向性的神經(jīng)元，構(gòu)建新型深度學(xué)習(xí)模型，通 過(guò)認(rèn)知特性的建模提升對(duì)復(fù)雜數(shù)據(jù)的表征、處理與信息提取的能力。具體工作包括張量深度濾波網(wǎng)絡(luò)模型、層次化的稀疏顯著的網(wǎng)絡(luò)模型、非線性協(xié)同稀疏模型等；
第二，利用半監(jiān)督學(xué)習(xí)、孿生學(xué)習(xí)、生成對(duì)抗等技術(shù)去構(gòu)建小樣本特征學(xué)習(xí)的模塊，以有效提升小樣本下的深度網(wǎng)絡(luò)的性能，克服監(jiān)督信息少、標(biāo)注成本高、標(biāo)注樣本變化大、易混淆等問(wèn)題。例如在做雷達(dá)目標(biāo)識(shí)別中，采用比對(duì)學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行一個(gè)配對(duì)的擴(kuò)展組合，再加入了一個(gè)半監(jiān)督的學(xué)習(xí)方式，實(shí)現(xiàn)在對(duì)比學(xué)習(xí)架構(gòu)上做半監(jiān)督模式；
第三，針對(duì)深度網(wǎng)絡(luò)只能工作在封閉環(huán)境的局限，做了一些可以演化深度模型的嘗試，其中提出了一種能夠在線處理環(huán)境信息的度量在線的學(xué)習(xí)模式，設(shè)計(jì)了遷移張量的學(xué)習(xí)算法。而這種方式的整個(gè)過(guò)程就是一個(gè)新類檢測(cè)、樣例積累、網(wǎng)絡(luò)遷移學(xué)習(xí)更新、增量式分類以及多類型聚類的過(guò)程；
第四，構(gòu)建了由 30 臺(tái)服務(wù)器構(gòu)成的一個(gè)高性能計(jì)算集群——遙感影像大數(shù)據(jù)類腦解譯計(jì)算系統(tǒng)，能夠快速實(shí)現(xiàn)對(duì)大規(guī)模影像數(shù)據(jù)的類腦解譯處理，具有計(jì)算快、穩(wěn)定性強(qiáng)、吞吐量高、任務(wù)并行等優(yōu)勢(shì)。
「深度學(xué)習(xí)確實(shí)是解決復(fù)雜雷達(dá)影像解譯的一種非常有效的方法，但在實(shí)際應(yīng)用里依舊存在非常多的問(wèn)題，包括開放環(huán)境問(wèn)題、可靠性問(wèn)題、領(lǐng)域數(shù)據(jù)問(wèn)題、認(rèn)知意義缺乏問(wèn)題等等?！箺钍珂伦詈罂偨Y(jié)道。
阿里巴巴自動(dòng)駕駛實(shí)驗(yàn)室主任、首席科學(xué)家王剛則聚焦自動(dòng)駕駛這一細(xì)分領(lǐng)域，從業(yè)界視角帶來(lái)了主題為《自動(dòng)駕駛沒(méi)有免費(fèi)的午餐》的演講。他重點(diǎn)分享了阿里巴巴在自動(dòng)駕駛系統(tǒng)的計(jì)算機(jī)視覺(jué)方面的一些思考和觀點(diǎn)。
他指出，最近幾年，國(guó)內(nèi)外無(wú)人駕駛公司都取得了非常大的技術(shù)進(jìn)步，但是我們也要客觀地看到，自動(dòng)駕駛還存在非常多的困難和巨大的挑戰(zhàn)，因而現(xiàn)在還沒(méi)有看到完全能夠落地的產(chǎn)品。
自動(dòng)駕駛為什么這么難落地？王剛指出，單用一套通用的自動(dòng)駕駛算法很難覆蓋復(fù)雜多樣化的交通場(chǎng)景，需要將多場(chǎng)景問(wèn)題進(jìn)行分解、細(xì)化，有針對(duì)性地解決，而這種思路被稱之為自動(dòng)駕駛里面的「No Free Lunch」理論。
他進(jìn)一步指出，自動(dòng)駕駛的研發(fā)依賴于三個(gè)要素——精細(xì)化場(chǎng)景、針對(duì)性算法和自動(dòng)化平臺(tái)：
第一，精細(xì)化場(chǎng)景。過(guò)去業(yè)界的場(chǎng)景分類過(guò)于粗礦，無(wú)法作為「No Free Lunch」理論的支撐，所以需要研發(fā)出一個(gè)更好的精細(xì)化場(chǎng)景方式，去帶動(dòng)整個(gè)研發(fā)體系。
第二，針對(duì)性算法，這就需要對(duì)相關(guān)的算法進(jìn)行相應(yīng)的優(yōu)化，從而能夠有的放矢地針對(duì)每個(gè)場(chǎng)景進(jìn)行處理。
第三，自動(dòng)化平臺(tái)、云平臺(tái)。為了實(shí)現(xiàn)這樣一個(gè)高效的研發(fā)體系，需要 AutoDrive 此類的自動(dòng)化平臺(tái)，與此同時(shí)這種自動(dòng)化平臺(tái)背后也離不開整個(gè)云平臺(tái)的支撐，包括數(shù)據(jù)的采集、回歸、仿真、以及模型訓(xùn)練、測(cè)試評(píng)價(jià)等。
「將這三個(gè)要素進(jìn)行協(xié)同，才能夠產(chǎn)生更好的化學(xué)反應(yīng)，才能更高效地推進(jìn)自動(dòng)駕駛領(lǐng)域的研發(fā)?！?/p>
清華大學(xué)自動(dòng)化系副教授魯繼文隨后登臺(tái)，基于其實(shí)驗(yàn)室在深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)領(lǐng)域的一些研究成果帶來(lái)了分享，他帶來(lái)的演講題目是《深度強(qiáng)化學(xué)習(xí)與視覺(jué)內(nèi)容理解》。
一開場(chǎng)他就指出，計(jì)算機(jī)視覺(jué)本質(zhì)上要做兩件事：看得清和看得懂。隨著計(jì)算機(jī)視覺(jué)的發(fā)展，看得懂已基本不成問(wèn)題，接下來(lái)要重點(diǎn)解決的問(wèn)題便是看得懂，其中視覺(jué)內(nèi)容理解便是一個(gè)重要的方向。
強(qiáng)化學(xué)習(xí)作為一項(xiàng)早已出現(xiàn)的技術(shù)，在與深度學(xué)習(xí)結(jié)合后，在解決問(wèn)題上表現(xiàn)出了很好的性能，因而也受到了研究者的廣泛關(guān)注。魯繼文介紹道，針對(duì)視覺(jué)內(nèi)容理解，其實(shí)驗(yàn)室采用深度強(qiáng)化學(xué)習(xí)的方法主要解決了策略學(xué)習(xí)、離散優(yōu)化學(xué)習(xí)和無(wú)監(jiān)督和弱監(jiān)督學(xué)習(xí)三個(gè)方面的問(wèn)題。
其中，其實(shí)驗(yàn)室主要圍繞建模視頻、離散優(yōu)化做了一些工作，具體工作包括在 ICCV、CVPR、ECCV 等頂會(huì)上提出了注意力敏感深度強(qiáng)化學(xué)習(xí)、深度漸進(jìn)強(qiáng)化學(xué)習(xí)、迭代調(diào)整的深度強(qiáng)化學(xué)習(xí)、協(xié)同深度強(qiáng)化學(xué)習(xí)、深度部件強(qiáng)化學(xué)習(xí)、雙智能體深度強(qiáng)化學(xué)習(xí)、深度推理決策網(wǎng)絡(luò)、基于深度強(qiáng)化學(xué)習(xí)的目標(biāo)檢測(cè)、基于深度強(qiáng)化學(xué)習(xí)的相似性度量、基于深度強(qiáng)化學(xué)習(xí)的圖像檢索、基于深度強(qiáng)化學(xué)習(xí)的行人再識(shí)別、基于深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)壓縮、基于深度強(qiáng)化學(xué)習(xí)的二值表示、基于深度強(qiáng)化學(xué)習(xí)的貝葉斯壓縮、基于深度強(qiáng)化學(xué)習(xí)的二值網(wǎng)絡(luò)等等。
最后他總結(jié)道，深度強(qiáng)化學(xué)習(xí)可以同時(shí)利用深度學(xué)習(xí)的表示能力和強(qiáng)化學(xué)習(xí)的決策能力，對(duì)很多視覺(jué)內(nèi)容理解任務(wù)都可以做更好的建模策略，從而更好地提升相應(yīng)視覺(jué)任務(wù)的性能。未來(lái)，希望研究者能夠就來(lái)如何將深度強(qiáng)化學(xué)習(xí)方法與認(rèn)知計(jì)算結(jié)合，提出更加符合人類認(rèn)知的深度強(qiáng)化學(xué)習(xí)計(jì)算模型，進(jìn)一步提升視覺(jué)內(nèi)容理解任務(wù)的性能。
商湯科技副總裁、智能駕駛業(yè)務(wù)總經(jīng)理、商湯日本總經(jīng)理勞世竑帶來(lái)了《中日計(jì)算機(jī)視覺(jué)技術(shù)：從人臉識(shí)別到自動(dòng)駕駛的產(chǎn)業(yè)化歷程》的演講，他基于自身兩個(gè)階段的職業(yè)經(jīng)歷，分享了其通過(guò)借鑒美國(guó)的計(jì)算機(jī)視覺(jué)技術(shù)來(lái)做產(chǎn)業(yè)應(yīng)用以及中日在計(jì)算機(jī)視覺(jué)技術(shù)方面的合作經(jīng)驗(yàn)。
勞世竑回憶道，他們應(yīng)用 CMU 的人臉檢測(cè)技術(shù)的第一個(gè)場(chǎng)景就是應(yīng)日本的一家公司的需求——對(duì)數(shù)據(jù)照片沖洗機(jī)器進(jìn)行優(yōu)化，即通過(guò)對(duì) CMU 的神經(jīng)網(wǎng)絡(luò)識(shí)別器進(jìn)行優(yōu)化，將這款機(jī)器的速度提高了 10 倍到 50 倍。隨后，他與中國(guó)清華大學(xué)計(jì)算機(jī)系教授艾海舟合作研究出了首個(gè)人臉檢測(cè)的商用芯片，并以此為起點(diǎn)，先后將人臉識(shí)別技術(shù)應(yīng)用到了數(shù)字相機(jī)、手機(jī)以及大數(shù)據(jù)收集系統(tǒng)以及駕駛員監(jiān)控系統(tǒng)中。其中比較不幸地是，成立于 2007 年的駕駛員監(jiān)控系統(tǒng)項(xiàng)目當(dāng)時(shí)恰逢經(jīng)濟(jì)危機(jī)而被公司砍掉了，而十幾年后，當(dāng)他們重新啟動(dòng)該項(xiàng)目時(shí)，已經(jīng)被其他公司超越了——說(shuō)起此事，勞世竑不免有些遺憾。
而勞世竑第二個(gè)階段的經(jīng)歷，則要從離開歐龍加盟商湯說(shuō)起。其中，他重點(diǎn)分享了自身比較引以為豪的一項(xiàng)工作，就是讓商湯與本田合作自動(dòng)駕駛的研發(fā)項(xiàng)目，首次將中國(guó)的人工智能技術(shù)介紹給了日本企業(yè)，從而促成了兩國(guó)之間建立平等的合作關(guān)系。進(jìn)一步，他還在日本成立了商湯（日本）公司，重點(diǎn)推動(dòng)和本田的自動(dòng)駕駛合作研發(fā)項(xiàng)目，并嘗試跟百度等公司的自動(dòng)駕駛研發(fā)工作做出差異化——從攝像頭的角度來(lái)降低自動(dòng)駕駛的技術(shù)成本，讓自動(dòng)駕駛更加平民化。
「我經(jīng)常被問(wèn)到駕駛技術(shù)什么時(shí)候能夠推向市場(chǎng)的問(wèn)題，我們暫定的目標(biāo)是 2025 年，但是我認(rèn)為實(shí)現(xiàn)過(guò)程可能并沒(méi)有想象中的那么一帆風(fēng)順，可能會(huì)提前也可能會(huì)延后。并且，我們需要非常注重的一點(diǎn)是自動(dòng)駕駛技術(shù)可靠性的驗(yàn)證問(wèn)題，其涉及的不僅僅是一般物體識(shí)別，還涉及到行為預(yù)測(cè)、車內(nèi)外的環(huán)境理解以及可說(shuō)明性問(wèn)題。」
新加坡研究院院長(zhǎng)、澎思科技（PENSEES）首席科學(xué)家申省梅做了最后一個(gè)報(bào)告，主題為《視頻圖像智能化助力智慧安防建設(shè)》。
她談到，當(dāng)前我們周邊布滿了各種攝像頭。據(jù)英偉達(dá)預(yù)測(cè)，到 2020 年全世界會(huì)有 10 億個(gè)視頻攝像頭在使用；此外據(jù)了解中國(guó)現(xiàn)在已經(jīng)有 1.76 億個(gè)攝像頭，3 年之后可能會(huì)有 6 億攝像頭，也即平均每?jī)蓚€(gè)人一個(gè)攝像頭。對(duì)于大量的視頻，盡管目前已經(jīng)有各種壓縮手段（視頻流），但該如何存儲(chǔ)這些視頻，以及如何從海量視頻中找出我們我們需要的人或物，做到事前預(yù)警、事中處置、事后分析，對(duì)我們來(lái)講仍然存在巨大的挑戰(zhàn)。
申省梅在報(bào)告中詳細(xì)闡釋了計(jì)算機(jī)視覺(jué)技術(shù)賦能智慧安防所需要技術(shù)。她認(rèn)為對(duì)視頻圖像智能化需要做好幾件事：1、視頻圖像恢復(fù)增強(qiáng)；2、視頻圖像目標(biāo)檢測(cè)跟蹤識(shí)別；3、視頻結(jié)構(gòu)化；4、視頻內(nèi)容的智能壓縮和視頻摘要。
申省梅針對(duì)這四個(gè)方面詳細(xì)闡釋了她所帶領(lǐng)的團(tuán)隊(duì)在各個(gè)方面的技術(shù)及成果。例如在視頻圖像恢復(fù)增強(qiáng)中，他們將非常?。?2×14）的人臉圖片經(jīng)過(guò)高分辨率處理后，人臉識(shí)別率從原來(lái)的75.18%提升到97.67%。針對(duì)行人ReID任務(wù)，他們?cè)?018 年行人再識(shí)別VIPeR，CUHK-03，DukeMTMC-reID，Market1501 四項(xiàng)數(shù)據(jù)集上取得了世界第一的成績(jī)。今年9月份，澎思新加坡研究院在基于視頻的行人再識(shí)別三大數(shù)據(jù)集（PRID-2011，iLIDS-VID，MARS）上取得世界第一，大幅提升成績(jī)。在視頻結(jié)構(gòu)化方面，他們能夠做到實(shí)時(shí)提取視頻物體屬性，做到實(shí)時(shí)結(jié)構(gòu)化預(yù)覽。2018年4月他們?cè)贏I City Challenge - 異常檢測(cè)任務(wù)中也同樣取得了第一名的成績(jī)。
申省梅提到，在AI產(chǎn)業(yè)圖譜中的技術(shù)層，澎思也走在前面。最重要的觀點(diǎn)是，作為一個(gè)企業(yè)要應(yīng)用做應(yīng)用驅(qū)動(dòng)的解決方案，商業(yè)驅(qū)動(dòng)的算法研究。她提出算法池可選性的概念，針對(duì)場(chǎng)景、硬件的不同，可做不同的算法選擇，快速迭代滿足業(yè)務(wù)需求。
申省梅總結(jié)到，視頻圖像智能化非常重要，當(dāng)前很多人都在用深度學(xué)習(xí)，但如果視頻數(shù)據(jù)沒(méi)有結(jié)構(gòu)化，當(dāng)數(shù)據(jù)量變得海量時(shí)將很難進(jìn)行下去。所以視頻數(shù)據(jù)智能化是做智慧安防的一個(gè)前提，這包括很多技術(shù)，只有把這些技術(shù)都用好，我們才可以實(shí)現(xiàn)事前預(yù)警、事中處理、事后分析。
演講結(jié)束后，在陳熙霖的主持下，李子青、楊淑媛、王剛、馮佳時(shí)、魯繼文、勞世竑、申省梅六位嘉賓還以《后深度學(xué)習(xí)時(shí)代，計(jì)算機(jī)視覺(jué)技術(shù)的未來(lái)》，展開了一場(chǎng) Panel 談?wù)摚汀溉绾翁岣邤?shù)據(jù)半自動(dòng)標(biāo)注的效率」、「深度學(xué)習(xí)是計(jì)算機(jī)視覺(jué)的終結(jié)還是新的起點(diǎn)」、「計(jì)算機(jī)視覺(jué)未來(lái)的發(fā)展方向」以及「如何培養(yǎng)下一代人才」等問(wèn)題發(fā)表了自己的觀點(diǎn)并展開了討論。
雷鋒網(wǎng) AI 科技評(píng)論報(bào)道。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
專題
本專題其他文章
