當(dāng)前，人工智能正在席卷全球科技產(chǎn)業(yè)，越來(lái)越多的行業(yè)和市場(chǎng)都在人工智能領(lǐng)域進(jìn)行深耕，作為當(dāng)今輔助人類進(jìn)行創(chuàng)新和變革的重要生產(chǎn)力工具和技術(shù)驅(qū)動(dòng)力，人工智能技術(shù)當(dāng)前已經(jīng)發(fā)展到什么階段了呢？未來(lái)人工智能產(chǎn)業(yè)又將會(huì)走向何方呢？本期我們一起來(lái)聊聊。

對(duì)于人工智能技術(shù)來(lái)說(shuō)，我們?nèi)粘＝?jīng)常看到的或許是機(jī)器算法的應(yīng)用、又或是對(duì)于自然語(yǔ)言的處理等內(nèi)容，對(duì)于人工智能來(lái)說(shuō)，現(xiàn)在已經(jīng)收集了海量的最優(yōu)算法，其中涵蓋了計(jì)算機(jī)視覺(jué)、游戲、自然語(yǔ)言處理、網(wǎng)絡(luò)圖、知識(shí)庫(kù)等很多內(nèi)容。

計(jì)算機(jī)視覺(jué)感知

其中值得一提的是計(jì)算機(jī)視覺(jué)，對(duì)于計(jì)算機(jī)視覺(jué)來(lái)說(shuō)，3D技術(shù)是最受青睞的一類，2017年的CVPR，MIT、馬薩諸塞大學(xué)阿默斯特分校和谷歌DeepMind的研究人員展示了一項(xiàng)成果，使用自動(dòng)編碼器（VAE），構(gòu)建了一個(gè)名叫SingleVPNet的框架，能從多個(gè)視角的深度圖或其相應(yīng)的輪廓（silhouette）學(xué)習(xí)生成模型，并使用渲染函數(shù)從這些圖像生成細(xì)節(jié)精致的3D形狀。

對(duì)于計(jì)算機(jī)識(shí)別感知框架來(lái)說(shuō)，通過(guò)一系列不同視角的2D深度圖當(dāng)中，研究人員就能夠去生成新的3D形狀和3D圖片，其中的平均誤差將會(huì)縮小到0．35左右，也就是說(shuō)計(jì)算機(jī)視覺(jué)所帶來(lái)的3D圖片將會(huì)是非常逼真的一張圖。

動(dòng)作識(shí)別

在人工智能領(lǐng)域當(dāng)中，動(dòng)作識(shí)別是整個(gè)視頻識(shí)別當(dāng)中最為關(guān)鍵的一項(xiàng)組成部分，整個(gè)動(dòng)作可能會(huì)貫穿視頻當(dāng)中，對(duì)于動(dòng)作識(shí)別來(lái)說(shuō)，很有可能成為圖像識(shí)別的重要組成部分，2017年的NeurIPS，CMU機(jī)器人學(xué)院的研究人員Rohit Girdhar 和 Deva Ramanan 利用注意力機(jī)制（Attentional Pooling），在保持網(wǎng)絡(luò)復(fù)雜度和計(jì)算量基本不變的情況下，在三個(gè)靜態(tài)圖像和視頻標(biāo)準(zhǔn)動(dòng)作識(shí)別數(shù)據(jù)集上提升了動(dòng)作識(shí)別的基準(zhǔn)。其中，在MPII人體姿態(tài)數(shù)據(jù)集上取得了12．5％的相對(duì)改進(jìn)。

人臉識(shí)別技術(shù)

在今年的市場(chǎng)研究數(shù)據(jù)報(bào)告顯示，在被譽(yù)為工業(yè)界“黃金標(biāo)準(zhǔn)”的全球人臉識(shí)別算法測(cè)試（FRVT）中，依圖科技以千萬(wàn)分之一誤報(bào)下的識(shí)別準(zhǔn)確率超過(guò)99％，繼續(xù)保持全球人臉識(shí)別競(jìng)賽冠軍。

千萬(wàn)分位誤報(bào)下的識(shí)別準(zhǔn)確率超過(guò)99％，意味著更多核心關(guān)鍵的安防場(chǎng)景被解鎖。相比于去年同期，全球人臉識(shí)別性能提升了80％。在整個(gè)報(bào)告當(dāng)中對(duì)于很多國(guó)內(nèi)的人工智能企業(yè)進(jìn)行了重點(diǎn)的提及和展示，而中國(guó)的人工智能企業(yè)也的確在業(yè)務(wù)領(lǐng)域和技術(shù)創(chuàng)新方面領(lǐng)跑全球。

人體姿態(tài)數(shù)據(jù)分析

在今年的9月份，AlphaPose系統(tǒng)升級(jí)，采用PyTorch框架，在姿態(tài)估計(jì)標(biāo)準(zhǔn)測(cè)試集COCO validation set上，達(dá)到 71mAP的精度比OpenPose 相對(duì)提升17％，Mask－RCNN相對(duì)提升8％，同時(shí)，速度達(dá)到了20FPS比OpenPose相對(duì)提高66％，Mask－RCNN相對(duì)提高300％。

圖像分類

計(jì)算機(jī)對(duì)于圖像處理來(lái)說(shuō)其實(shí)早就已經(jīng)超越了人類的原有技術(shù)應(yīng)用，當(dāng)前圖像分類精度的最好成績(jī)，往往是其他研究的副產(chǎn)物。ICLR 2017，谷歌大腦 Barret Zoph 和 Quoc V． Le 發(fā)表了“Neural Architecture Search with Reinforcement Learning”，他們用強(qiáng)化學(xué)習(xí)自動(dòng)搜索神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，最終AI自己設(shè)計(jì)出的模型，在 CIFAR－10數(shù)據(jù)集上做圖像分類取得了96．35％的精度。

GAN在今年不斷發(fā)展，今年ICLR DeepMind 提出的 BigGAN，可謂當(dāng)前最強(qiáng)圖像生成模型，在128x128分辨率的ImageNet上訓(xùn)練，BigGAN的 Inception 分?jǐn)?shù)（IS）可以達(dá)到 166．3 ，F(xiàn)rechet Inception 距離（FID）9．6。