大观PDF

  • 123 浏览

limlighten

2020/09/21 发布于 技术 分类

AI  人工智能 

文字内容
1. 大观——新一代人工智能技术 乘风破浪 • 一路领航 COMPANY INTRODUCTION Ride The Wind And Wind The Waves Navigate All The Way
2. 01 CONTENTS 02 目录 03 04 AI时代-未来已来 大观-AI技术介绍 大观行业场景与应用 大观-新一代AI发展趋势
3. 大观-AI AI时代 未来已来!
4. 大观-AI 人工智能是什么? 人工智能(Artificial Intelligence)并不是一个新的术语,它已 经有几十年的历史了,大约从80年代初开始,计算机科学家们 开始设计可以学习和模仿人类行为的算法。
5. 大观-AI 人工智能的发展史
6. 大观-AI Deep Blue (深蓝)战 胜国际象棋冠军 Garry Kasparov 超级电脑“沃森”(Watson) 在智力竞猜节目《危险边缘》 中击败两位人类冠军选手 1997 2011 2011 苹果的智能语音助手 Siri 问世, ImageNet计算机视觉识 别挑战赛上,深层残差 网络的系统错误率低至 3.57%,超过人类。 2015 2014 聊天机器人微软小 冰开始微信公测, 2016 自动驾驶在北京第一 次上路行驶 2017 2018年5月20日 AlphaGo5:0优势完 大观AI参加kaggle的CIFAR胜欧洲围棋冠军樊麾, 10测试:谷歌最新inception 4:1优势击败九段专业 第4代版本算法的准确率79%。 围棋手李世石 大观算法原型准确率88%
7. 大观-AI 大观 AI技术介绍
8. 大观-AI 数据 人工智能的三大基石 算法 算力
9. 大观-AI 深度学习今天站在那里? 深度学习引领人工智能领域走到了今天的高度,可谓“无深度学习,不AI”,但他所需要的海量 可用数据(标记数据)及由此产生的计算能力不足也使整个行业走到了一个关键的十字路口。 减少深度学习的 目前是AI研究人员的首要任务之一。
10. 机器学习 大观-AI 监督 学习 半监督 学习 深度 学习 自监督 学习 增强 学习 监督学习(supervised learning) 自监督学习(unsupervised learning) 监督学习的任务是学习一个模型,使模型能够对任意给定 只给计算机训练数据,不给标签,因此计算机无法准确的 的输入,对其相应的输出做出一个好的预测。通过训练, 知道哪些数据具有哪些标签,只能凭借强大的计算能力分 让机器可以自己找到特征和标签之间的联系,在面对只有 析数据的特征,发现数据本身的内部结构特点。 特征没有标签的数据时,可以判断出标签。
11. 大观-AI Images Bottleneck Labels Elephant (X,Y) Rhino X Manual Annotation Y ConvNet Learned Representation Transfer Learning
12. Images Bottleneck 大观-AI Labels ................. ........... X Images Manual Annotation Automated Y Labels 0° (X,Y) 90° X Exploit Property Y ConvNet Learned Representation Transfer Learning
13. 深度学习的许多研究成果,离不开对大脑认知原理的研究,尤其是视觉原理的研究。 大观-AI 1981 年的诺贝尔医学奖,颁发给了 David Hubel(出生于加拿大的美国神经生物学家) 和 TorstenWiesel,以及 Roger Sperry。前两位的主要贡献,是“发现了视觉系统的信息处理”, 可视皮层是分级的。 人类的视觉原理如下:从原始信号摄入开始(瞳孔摄入像素 Pixels),接着做初步处理(大脑皮 层某些细胞发现边缘和方向),然后抽象(大脑判定,眼前的物体的形状,是圆形的),然后进 一步抽象(大脑进一步判定)。下面是人脑进行人脸识别的一个示例: 对象 模型 对象 部分 边缘 像素
14. 大观-AI 对于不同的物体,人类视觉也是通过这样逐层分级,来进行认知的 在最底层特征基本上是类似的,就是各种边缘,越往上,越能提取出此类物体的一些特征(轮子、眼睛、躯干等),到最上层, 不同的高级特征最终组合成相应的图像,从而能够让人类准确的区分不同的物体。 因此,科学家认为,如果模仿人类大脑的这个特点,构造多层的神经网络,较低层的识别初级的图像特征,若干底层特征组成 更上一层特征,最终通过多个层级的组合,最终在顶层做出分类。这也是许多深度学习算法(包括CNN)的灵感来源。
15. 大观-AI 卷积神经网络(Convolutional Neural Network,CNN) 卷积神经网络是一种多层神经网络,擅长处理图像特别是大图像的相关机器学 习问题。它通过一系列方法,成功将数据量庞大的图像识别问题不断降维,最终使其 能够被训练。CNN最早由Yann LeCun提出并应用在手写字体识别上(MINST)。 LeCun提出的网络称为LeNet,其网络结构如下: C3卷积层 C1卷积层 输入原始图像 S2采样层 卷积 池化 S4采样层 输出层 全连接 一个最典型的卷积网络,由卷积层、池化层、全连接层组成。其中卷积层与池化层 配合,组成多个卷积组,逐层提取特征,最终通过若干个全连接层完成分类。
16. 大观-AI 降低参数量级 如果我们使用传统神经网络方式,对一 张图片进行分类,我们把图片的每个像素都 连接到隐藏层节点上。 对于一张1000x1000像素的图片,如果 我们有1M隐藏层单元,那么一共有10^12 个参数,而这个参数是极其庞大的。 但是我们在CNN里,可以大大减少参数个数。这是因为(1) 最底层特征都是局部性的,我们用10x10这样大小的过滤器就能 表示边缘等底层特征。(2)图像上不同小片段,以及不同图像上 的小片段的特征是类似的,我们能用同样的一组分类器来描述各 种各样不同的图像。 因此,用100个10x10的小过滤器,就能够描述整幅图片上 的底层特征。
17. 大观-AI 卷积(Convolution) 如图所示,我们有一个5x5的图像,我们用一个3x3的卷积核: 1 0 1 0 1 0 1 0 1 来对图像进行卷积操作(可以理解为有一个滑动窗口,把卷积 核与对应的图像像素做乘积然后求和),得到了3x3的卷积结 果。 这个过程我们可以理解为我们使用一个过滤器(卷积核)来过 滤图像的各个小区域,从而得到这些小区域的特征值。 在实际训练过程中,卷积核的值是在学习过程中学到的。在具 体应用中,往往有多个卷积核。每个卷积核代表了一种图像模 式,如果某个图像块与此卷积核卷积出的值大,则认为此图像 块十分接近于此卷积核。
18. 大观-AI 池化(Pooling) 图中,我们可以看到,原始图片是20x20的,我 们对其进行下采样,采样窗口为10x10,最终将 其下采样成为一个2x2大小的特征图。 之所以这么做的原因,是因为即使做完了卷积, 图像仍然很大(因为卷积核比较小),所以为 了降低数据维度,就进行下采样。 之所以能这么做,是因为即使减少了许多数据, 特征的统计属性仍能够描述图像,而且由于降 低了数据维度,有效地避免了过拟合
19. 大观-AI
20. 大观-AI 深度学习的三个挑战 我们需要开发可以通过更少的样本或更少的试验学习的AI系统,而这样的系统更推荐使用自监督学习。 当前深度学习需要大量有标记的数据来学习简单任务,而现实世界中无标注的数据太多,而且标注的 成本又非常高。因此,我们需要创建可以推理的深度学习系统。 深度学习系统擅长为问题提供端到端的解决方案,但很难将其分解为特定的可解释和可修改的步骤, 因此,我们需要创建学会推理复杂任务的深度学习系统。
21. 大观-AI 通向人工智能的未来:Self-Supervised Learning “实际的深度学习系统中使用的“有监督学习”的学习方式是存 在局限的。你将一张图片展现给系统并告诉它这是一辆车,它就会相应 调整它的参数并在下一次说出“车”。可是如果你要再展现给它一把椅 子、一个人,甚至是在几百个例子,则需要耗费几天到几周,甚至更长 的计算时间(取决于系统规模)之后,它才可以弄明白了。 但人类和动物不是这种学习方式。当你还是婴儿时,你并没有 被告知你所看到的所有物体的名字。然而你却能学会这些物体的概念, 你知道世界是三维的,当我把物体放在另一个的后面,你还是知道它的 存在。这些概念不是与生俱来的,是你将它们学会了。我们把这种类型 的学习称作“无监督”学习。” ——Yann LeCun Yann LeCun 是纽约大学终身教授,现任 Facebook 人工 智能实验室负责人,是世界范围内知名的、对人工智能 前沿技术研究和应用理解最深入的 AI 专家之一。他的研 究范围包括机器学习、计算机视觉、移动机器人以及计 算神经学等诸多领域。为了表彰他在深度学习领域里的 成就,IEEE 计算机学会给他颁发了著名的“神经网络先 锋奖”。 在AAAI2020的邀请嘉宾报告会上,图灵奖得主Yann Lecun做了Self-Supervised Learning(自监督学习)的 报告,在会上他表示自监督学习就是人工智能的未来,这 将会使我们的AI系统,深度学习系统更上一层楼。
22. 大观-AI 2016.12 尝试不同技术路线的 研发 2017年8月 定型“自监督学 习”技术线路 2018年1月8日 第一个测试原型 2018年5月20日 开始通过Kaggle平 台测试有效性 2018年3月20日 第二个测试原型 2019年3月 软件框架成熟 V1.0 2018年12月 基础算法模型 成熟 2018年5月20日用kaggle的CIFAR-10测试: 谷歌最新inception第4代版本算法的准确率79%, 用大观原型测试准确率达到88% 2020年 商业应用系统启动元年 视频识别和行为分析 自然语言分析 2019年5月 第一个商业应用 视频识别和行为分析 (北京国贸CBD商城) 2021年 第二代软件框架基本成熟 V2.0
23. 大观-AI
24. 大观-AI 基于核心理论取得4项突破 01 02 模拟感知的激活 自动特征提取 03 04 自动化聚类 针对非结构数据和未知 规则的全新编码方式
25. 大观-AI AI赋能 形状识别能力 颜色识别能力 运动捕捉的能力 目标追踪能力 * 目标停留时间 * 行人跌倒时间 * 目标运动方向 * 目标运动轨迹
26. 大观-AI 大观AI 场景运用
27. AI+安防 大时代,新技术 智能 安防
28. 大观-AI 智能安防是 AI 技术最先落地并实现变现的应用场景之一 AI 技术正推动安防行业继高清化和网络化之后进入第三次技术革命 公共安全 智能 安防 企业安全 民用安全 2009年AI技术开始在多行业初步应用,其中,安防监控是人工智能最先大规模产生商业价值的领域, 也成为许多AI技术研发公司的切入点。2012年,新兴产业发展规划的出台促使众多安防企业开始落地平安 城市和智慧城市建设,另外,天网工程和雪亮工程等国家政策整体推动了AI安防的发展,越来越多的AI和 CV公司开始将安防领域作为其主要发展点之一。
29. 大观-AI “十三五”期间,安防行业将向规模化、自动化、智能化转型升级,且到2020 年,安 防企业总收入达到 8000 亿元左右,年增长率达到 10%以上,按照规划预期,到2022 年安防行业市场规模将达到近万亿。 ——《中国安防行业“十三五”(2016-2020 年)发展规划》 中国视频监控应用领域占比 安防应用场景分类规模占比 8% 4% 视频监控 10% 出入口监控 51% 14% 实体防护 智能家居 防盗报警 平台 14% 数据来源:A&S安全与自动化,IHS Markit 平安城市 交通 17% 31% 金融 17% 能源 教育 民用 其他 6% 8% 9% 12%
30. 大观-AI 中游 上游 算法提供商 AI技术 软件供应商 数据、改进方案 系统集成商 运营服务商 客户需求 硬件 技术 产业创新 产品 硬件供应商 芯片制造商 其他电子元器件 下游 应用 AI技术 物体识别 语音识别 文本处理 传感器 物联网 算法 算力 数据 图像识别 人脸识别 建立模型 制动器 大数据 图像分析 指纹识别 语境理解 智能硬件 云计算 需求决定创新
31. 大观-AI 安防产业根据产业链可以划分为上中下游,上游包括零部件、技术及算法供应商, 中游为产品生产商,下游为产品经销商,其中大众所熟悉的安防企业多聚集在中游。 上游 中游 下游
32. 虽然智能安防场景运用多样化 大观-AI 但如何解决海量数据长期储存、有效利用等问题成行业痛点 从2012年智能安防建设理念开始规划 至今,平安城市、智慧城市、天网工程、雪 亮工程、一带一路等国家重要级别的规划建 设中安防一直是重中之重。 但安防系统每天产生的海量图像和视频信 息造成了严重的信息冗余,识别准确度和效 率不够,并且可应用的领域较为局限。
33. 大观-AI 缺少小样本学习能力 缺少有效的自监督学习模式 缺少多尺度抽象能力 学习、判别过程耗能较高 缺少工作时再学习能力
34. 大观-AI AI技术目前计算力尚处于待突破的瓶颈期,场景化的数据资源 实现共享,核心算法的优化越来越成为AI智能安防市场关键。 虽然如谷歌、Facebook等人工智能领 虽然大数据时代的全面展开为AI深度 域的巨头的算法纷纷开源,但随着国际形 学习提供了巨大的潜力,但如何突破深度 势的复杂性和政策的变动性,算法研发的 学习的数据依赖性,成为未来AI至关重要 局限性和安全性门槛在无形中增加。我们 的一环 亟需拥有国内自主研发技术来占领行业的 制高点。
35. 大观-AI * 不完整特征建模 * 自监督学习算法
36. 大观-AI 系统自动识别,主动预警自动 存储预警事件 大观-AI 服务器 屏幕实时显示,图像/声音预警 原有监控系统核心 指定人员手机短信提醒通知 监控服务器 监视器 交换机/路由器 录像/存储
37. 大观-AI 无需使用AI摄像头 使用原有监控系统的普通摄像头即可实现人工智能人 脸识别,车辆识别以及其它目标识别和监测。 在1个普通摄像头上,同时实现10 项 以上的AI视频识别功能 (1)人脸识别及黑白名单比对 (2)陌生人脸统计数据库以及高频出现预警 (3)人员摔倒监测及预警 (4)人员聚集监测及预警 (5)人员长时间可疑滞留徘徊行为监测及预警 (6)禁区人员进入监测及预警 (7)人员数量统计及男女性别识别统计 (8)汽车,自行车,摩托车违规停放监测及预警 (9)动物及宠物携带的识别监测 (10)楼宇高空坠物监测及预警 *在以上功能之外还可以根据客户需求叠加更多功能。 低成本 安全性高 比传统方法的计算硬件 成本降低80%以上。独 创算法大幅减低计算量, 可以不依赖GPU的计算, 直接用CPU同时实现多 项AI视频识别。 直接读取摄像头码流分 析,与原有监控系统服 务器隔离,互不影响。 完全离线本地计算,数 据不需要上传云端识别。 只独立存储预警事件。 Linux开源操作系统。 不需要施工 准确度高 不改变原有监控系统和 摄像头,接入方式简单, 安装快速方便,1-3天 即可完成安装部署调试。 在夜视,低画质,侧脸, 低头等状态下仍有极高 的人脸识别率和比对准 确率。
38. 大观-AI RELD技术 1、需更换摄像头 2、节约成本 3、缩短工期 4、升级 20%以上 50% 50% 无 1、更换摄像头 2、节约成本 3、缩短工期 4、升级 0% 80% 90% 有 存量前端感知设备很难满足人脸识别所要求的架设高度、角度等需求,超过80%的摄像头需要换新或改 造才能用于人脸识别,而这一般涉及长周期高投入的建设。 目前,AI+安防业内头部玩家开始重视将ReID(行人再识别)技术与人脸识别结合应用,但仍需在关 键卡口位置建设人脸摄像头采集人脸及人身图像。 大观—AI
39. 大观-AI 人/车/行为/同时识别预警 北京中央商务区 (国贸)路面视频 ① 人员倒地监测 ② 人员聚集监测 ③ 人员长时间滞留监测 ④ 车辆违规停放区域监测 ⑤ 发现宠物 ⑥ 车辆识别 ⑦ 实时统计 *Gif动画,PPT演示状态自动播放
40. 大观-AI 人/车/行为/同时识别预警 上海闵行区现有普通摄像头,在单个摄像头 上同时实现: ① 人员倒地监测 ② 人员聚集监测 ③ 人员长时间滞留监测 ④ 车辆违规停放区域监测 *Gif动画,PPT演示状态自动播放 ⑤ 宠物识别
41. 大观-AI 北京国贸CBD一期,三期,商场/写字楼 使用原有监控系统的摄像头,在单个摄像头上同时实现: (1)人员密集度监测预警 (2)人员摔倒监测预警 (3)人员长时间滞留监测预警 (4)违规停车预警 (5)携带宠物进入监测预警
42. 大观-AI 北京国贸CBD一期,三期,商场/写字楼 使用原有监控系统的摄像头: (1)人员密集度监测预警 (2)人员摔倒监测预警 (3)人员长时间滞留监测预警 (4) 禁区闯入 (5)携带宠物进入监测预警
43. 大观-AI 上海闵行区 某办公楼 *Gif动画,PPT演示状态自动播放
44. 大观-AI 上海普陀区居民小区
45. 大观-AI • 在夜视,低画质,侧脸,低头等状态下仍有世界顶级水准的人脸识别率和比对准确率。 • 使用原有监控系统的普通摄像头即可实现人工智能人脸识别 *Gif动画,PPT演示状态自动播放 湖南省妇幼医院
46. 大观-AI
47. 大观-AI
48. AI+交通 新里程、再出发 智慧 交通
49. 大观-AI 视频点击播放 北京国贸CBD一期,三期,商场/写字楼 使用原有监控系统的摄像头: (1)主车道管理 (2)人员闯入 (3)应急车道停车 (4) 主车道停车 (5)动物闯入 (招商局招商公路)
50. AI+自然语言 更聪明,更智慧 自然 语言 识别
51. 大观-AI
52. AI+环卫 新风口,新环卫 智能 环卫
53. 大观-AI 智能环卫,是依托 物联网技术与移动互联网 技术,对环卫管理所涉及 到的人、机器人、车、物、 事进行全过程实时管理, 合理设计规划环卫管理模 式,提升环卫作业质量, 降低环卫运营成本,用数 字评估和推动垃圾分类管 理实效的系统。
54. 大观-AI 路面管理 1、清洁度预警 2、遗洒抓拍 人员管理 1、考勤管理 2、时间管理 3、行为识别 4、轨迹管理 5、作业效果评估 车辆管理 摄像头+大观AI 完全基于视频图像的 智能环卫系统 1、轨迹管理 2、时间管理 3、效果评估
55. AI+社区 一个聪明的家 智慧 社区
56. 大观智慧社区模型 *高空坠物实时报警 *围墙以及隔离带行为识别实时监控预警 *人员跌倒识别预警 *地面停车区域监控 *长时间滞留徘徊可疑人员监测 *高空楼顶禁区闯入预警 *保洁、保安等工作人员管理系统 *高频外来人员轨迹管理
57. 大观-AI 大观-新一代 AI发展趋势
58. 大观-AI 曲健 CTO 曾任微软、联通高级技术专家 飞信首席架构师 近20年软件开发与架构师经验 其他成员: Facebook全球产品部门算法高级专家 阿里巴巴YUN OS部门高级专家
59. 大观-AI 中国人工智能创业公司所属领域分布 资料来源:Forrester; Transparency Market Research; 中国人工智能学会;罗兰贝格分析
60. 大观-AI 全球人工智能企业获融资方向热度 资料来源:Forrester; Transparency Market Research; 中国人工智能学会;罗兰贝格分析
61. 大观-AI 各行业人工智能发展基础的评分 资料来源:行业访谈;中国人工智能学会;罗兰贝格分析
62. 大观-AI 各行业人工智能发展基础与市场应用潜力评估
63. 大观-AI 人工智能市场规模预测与全球融资额统计 资料来源:Forrester; Transparency Market Research; 中国人工智能学会;罗兰贝格分析
64. AI 已站在风口! 大观-AI 第一次工业革命 蒸汽时代(1760-1840) 基础 设施 供给 产业 创新 1785 步伐 第二次工业革命 电气时代(1840-1950) 第三次工业革命 信息时代(1950-?) 电、化学品、 石油、天然 气、硅电子 互联网 水力、纺织、铁 蒸汽、铁路、钢 机械化 铁路化 电气化 电子化 信息化 第二波浪潮 第三波浪潮 第四波浪潮 第五波浪潮 第一波浪潮 60年 1845 55年 内燃机 1900 50年 1950 40年 软件 1990 30年 以人工智能 为代表的新 型基础设施 ? 下一波浪潮: 2020 智联世界、 万物互联 自18世纪以来,人类社会共发生过三次大型的技术革命,分别是蒸汽机革命、电力革命和信息互 联网革命,每一 次技术革命都伴随着新的配套基础设施的建立和完善。以人工智能为代表的新型基础设施将 成为第四次产业革命 的重要组成部分,有力推动产业转型升级和经济社会高质量发展。
65. 大观-AI 感谢聆听