视觉系

机器与人类视觉能力的差距（2） 作者：王垠 转自：http://www.yinwang.org/blog-cn/2019/09/15/machine-vs-human-2 本文属于个人观点，跟本人在职公司的立场无关。由于最近 GitHub 服务器在国内访问速度严重变慢，虽然经过大幅度压缩尺寸，文中的图片仍然可能需要比较长时间才能加载。这篇文章揭示了 AI 领域重要的谬误和不实宣传，为了阻止愚昧的蔓延，我鼓励大家转发这篇文章和它的后续，转发时只需要注明作者和出处就行。 这是这个系列文章的第二集，在这一集中，我想详细分析一下 AI 领域到底理解多少人类神经系统的构造。 神经网络为什么容易被欺骗 “神经网络”与人类神经系统的关系是是很肤浅的。等你理解了所谓“神经网络”，就会明白它跟神经系统几乎没有一点关系。“神经网络”只是一个误导性质的 marketing 名词，它出现的目的只是为了让外行产生不明觉厉的效果，以为它跟人类神经系统有相似之处，从而对所谓的“人工智能”信以为真。 其实所谓“神经网络”应该被叫做“可求导编程”。说穿了，所谓“神经网络”，“机器学习”，“深度学习”，就是利用微积分，梯度下降法，用大量数据拟合出一个函数，所以它只能做拟合函数能做的那些事情。 用了千万张图片和几个星期的计算，拟合出来的函数也不是那么可靠。人们已经发现用一些办法生成奇怪的图片

随着嵌入式技术的发展，嵌入式视觉技术也越来越比较重视，多年前。人们对嵌入式视觉技术的研究还是很模糊的，而在嵌入式视觉技术高度专业化应用的今天。越来越多的新兴工业为视觉应用找到了用武之地。那么就让我们谈谈如何使用嵌入式视觉技术、采用嵌入式视觉技术的理由以及近期哪些应用最有希望采用嵌入式视觉技术。 　　 更强处理能力 　　根据定义，嵌入式视觉系统实际上涵盖了执行图像信号处理算法或视觉系统控制软件的任何设备或系统。智能视觉系统中的关键部分是进行实时高清数字视频流处理的高性能计算引擎、大容量固态存储、智能摄像头或传感器以及高级分析算法。这些系统中的处理器可以执行图像采集、镜头校正、图像预处理和分割、目标分析以及各种启发式(heuristics)功能。嵌入式视觉系统设计工程师采用各种处理器，包括专为视觉应用设计的通用CPU、图象处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)和专用标准产品(ASSP)。上述处理器架构具备明显的优势和短板。在许多情况下，设计工程师将多种处理器整合到一个异构计算环境中。有时候，处理器则被集成到一个组件中。此外，一些处理器使用专用硬件来尽可能实现最高的视觉算法性能。诸如FPGA之类的可编程平台为设计工程师提供了高度并行的计算密集型应用架构以及用于I/O扩展等其他应用的资源。 　　在摄像头方面

转自： http://www.sibs.cas.cn/kp/kptw/201606/t20160620_4623663.html 　　 ――《假如给我三天光明》 美国 　　 如果说几十亿年前生命的诞生是地球上迄今为止最美的奇迹，那么生物体的神经系统堪称这个奇迹中最耀眼的巅峰之作。重量约为 1.3 千克，体积约为 1200 立方厘米，包含大约 860 亿个神经元（即神经细胞，是神经系统的结构与功能单位）以及同样数量的非神经元细胞（例如对神经元提供支撑和保护作用的胶质细胞，运输氧气和养料的血管组织等），人类大脑的复杂程度与奥妙之处被很多神经科学家认为并不亚于广袤无垠充满未知的浩瀚宇宙。 图1 大鼠脑部（左）和人脑（右）的结构示意图 　 　　图2 大脑皮层左半球侧面视角的主要脑区和结构 　　 神经系统的功能，概括来说就是根据生物个体的需要以及外部环境的变化来控制或调节自身的行为以及内环境的稳态。这个过程抽象下来实际就是获取信息、处理信息以及输出信息。就像我们在使用计算机时，通过键盘鼠标将信息输入，在计算机进行相应的运算之后通过显示器来输出结果。我们生活在一个丰富多彩的世界里，而即便是从最基本的生存层面来看，每一个生物个体都需要感知周围环境并对外界的变化做出相应的反应。例如，野外生活的动物敏锐地发现猎物才能进行捕食，及时地察觉天敌才能躲避危险。