大数据+深度学习，推动图像识别精度进化

您当前位置：首页 > 行业分析 > IT通讯 > 　正文

来源：中为咨询www.zwzyzx.com 【日期：2016-08-05 14:48:44】【打印】【关闭】

相关报告

在感知层，传感器采集到的实时路况信息，需要人工智能进行识别处理后、才能够传递到下一层中。图像识别的精度是这一环节中的重点。图41展示了Google机器视觉在识别行人、路况时的场景。随着计算能力的大幅提高、新计算方法的不断提出和可利用数据资源的大规模增长、新型应用模式的不断涌现，图像识别技术呈现出2个特点的发展趋势：（1）深度神经网络技术的应用推动了图像特征，表示由传统手工设定演变为自动学习算法；（2）大规模图像数据集（如image-net、palaces、SUN397等），推动图像识别由个别概念转变为成百上千的概念。因此，图像识别的精度在不断提高。

Google无人驾驶图像识别

不同深度学习模型在ILSVRC2014的物体分类结果

2015年底，第六届“ImageNet图像识别大赛”中，微软研究院的计算机图像识别系统成功在多个类别测试拔得头筹，并击败了包括谷歌、英特尔、高通以及其他一些初创企业和学术实验室的产品。其对神经网络的训练深度已经超过了150层，并提出“残差学习”方法，其中最重要的突破在于重构了学习的过程，并重新定向了深层神经网络中的信息流，很好地解决了此前深层神经网络层级与准确度之间的矛盾。2015年的比赛中，微软系统的分类错误率仅为3.5%，定位错误率则为9%；经过一年的优化，已较上表2014年比赛中第一名分类错误率6.66%已经有了非常大的提升。不过值得提出的是，比赛中的图片为质量要优于高速行驶中的图像。

本文地址：http://www.zwzyzx.com/show-336-221550-1.html

分享到：

上一篇：智能算法：控制功能的核心

下一篇：云计算实时更新高精度地图，进行定位匹配

相关资讯