未系安全带智能检测系统与深度学习技术(一) - 知乎

[madobet]

未系安全带智能检测技术近年来高速发展，主要得益于深度学习前沿技术的快速发展，明景未系安全带智能检测系统基于深度学习技术，通过海量车辆数据进行反复迭代学习，才达到极高的准确率。为让大家对于明景未系安全带智能检测系统的技术方案及产品未来发展有个更全面的了解，特此收集李汉曦博士对于深度学习技术的讲解，供大家学习了解。

作者：

李汉曦，慧眼科技研发总监，澳大利亚国立大学博士；曾任澳大利亚国家信息通信公司 (NICTA) 任高级研究员；人脸识别，物体检测，物体跟踪、深度学习方面的专家，在 TPAMI，TIP, TNNLS 和 Pattern Recognition 等权威期刊，以及 CVPR，ECCV，BMVC, ACCV 等领域内重要会议发表过有影响力的论文；现为澳大利亚格里菲斯大学客座研究员，江西师范大学特聘教授。

人工智能是人类一个非常美好的梦想，跟星际漫游和长生不老一样。我们想制造出一种机器，使得它跟人一样具有一定的对外界事物感知能力，比如看见世界。

在上世纪 50 年代，数学家图灵提出判断机器是否具有人工智能的标准：图灵测试。即把机器放在一个房间，人类测试员在另一个房间，人跟机器聊天，测试员事先不知道另一房间里是人还是机器 。经过聊天，如果测试员不能确定跟他聊天的是人还是机器的话，那么图灵测试就通过了，也就是说这个机器具有与人一样的感知能力。

但是从图灵测试提出来开始到本世纪初，50 多年时间有无数科学家提出很多机器学习的算法，试图让计算机具有与人一样的智力水平，但直到 2006 年深度学习算法的成功，才带来了一丝解决的希望。

众星捧月的深度学习

深度学习在很多学术领域，比非深度学习算法往往有 20-30% 成绩的提高。很多大公司也逐渐开始出手投资这种算法，并成立自己的深度学习团队，其中投入最大的就是谷歌，2008 年 6 月披露了谷歌脑项目。2014 年 1 月谷歌收购 DeepMind，然后 2016 年 3 月其开发的 Alphago 算法在围棋挑战赛中，战胜了韩国九段棋手李世石，证明深度学习设计出的算法可以战胜这个世界上最强的选手。

在硬件方面，Nvidia 最开始做显示芯片，但从 2006 及 2007 年开始主推用 GPU 芯片进行通用计算，它特别适合深度学习中大量简单重复的计算量。目前很多人选择 Nvidia 的 CUDA 工具包进行深度学习软件的开发。

微软从 2012 年开始，利用深度学习进行机器翻译和中文语音合成工作，其人工智能小娜背后就是一套自然语言处理和语音识别的数据算法。

百度在 2013 年宣布成立百度研究院，其中最重要的就是百度深度学习研究所。

Facebook 和 Twitter 也都各自进行了深度学习研究，其中前者携手纽约大学教授 Yann Lecun，建立了自己的深度学习算法实验室；2015 年 10 月，Facebook 宣布开源其深度学习算法框架，即 Torch 框架。Twitter 在 2014 年 7 月收购了 Madbits，为用户提供高精度的图像检索服务。

前深度学习时代的计算机视觉

互联网巨头看重深度学习当然不是为了学术，主要是它能带来巨大的市场。那为什么在深度学习出来之前，传统算法为什么没有达到深度学习的精度？

在深度学习算法出来之前，对于视觉算法来说，大致可以分为以下 5 个步骤：特征感知，图像预处理，特征提取，特征筛选，推理预测与识别。早期的机器学习中，占优势的统计机器学习群体中，对特征是不大关心的。

我认为，计算机视觉可以说是机器学习在视觉领域的应用，所以计算机视觉在采用这些机器学习方法的时候，不得不自己设计前面 4 个部分。

但对任何人来说这都是一个比较难的任务。传统的计算机识别方法把特征提取和分类器设计分开来做，然后在应用时再合在一起，比如如果输入是一个摩托车图像的话，首先要有一个特征表达或者特征提取的过程，然后把表达出来的特征放到学习算法中进行分类的学习。

过去 20 年中出现了不少优秀的特征算子，比如最著名的 SIFT 算子，即所谓的对尺度旋转保持不变的算子。它被广泛地应用在图像比对，特别是所谓的 structure from motion 这些应用中，有一些成功的应用例子。另一个是 HoG 算子，它可以提取物体，比较鲁棒的物体边缘，在物体检测中扮演着重要的角色。

这些算子还包括 Textons，Spin image，RIFT 和 GLOH，都是在深度学习诞生之前或者深度学习真正的流行起来之前，占领视觉算法的主流。

https://zhuanlan.zhihu.com/p/26558068