注册 / 登录

基于深度学习的低质量图像视觉分析

分会场:  人工智能/AI驱动/AI实践

 

案例来源 :

案例讲师

葛仕明

中国科学院 博士生导师

博士,博士生导师,中国科学院青年创新促进会成员。于中国科学技术大学获得学士和博士学位,主要研究方向为计算机视觉、深度学习、人工智能安全等,在中国科学院主讲《深度学习基础及应用》、《人工智能安全》等课程,发表论文70余篇。曾先后任职于诺基亚研究院、三星研究院和盛大创新院,从事技术研发和项目管理工作,曾负责多个企业重点项目。目前主持或参与国家重点研发计划、国家自然科学基金、企业研究院横向等课题,研究成果在安全、军事及工业等领域得到应用。2013年通过高层次人才引进进入中国科学院信息工程研究所工作,获得研究所优秀引进青年人才支持。目前是IEEE高级会员,CCF高级会员,CAAI模式识别专委,CCF计算机视觉专业委员会委员。

扫描二维码分享案例

 

案例简述

 

深度模型在物体检测、跟踪和识别都取得了当前最高的精度。但实际部署这些高性能的深度模型面临诸多挑战:一方面实际场景图像质量不尽如人意(如遮挡、低分辨率等);另一方面通常模型在很多实际应用(如智驾、机器人)中被要求部署在资源受限设备上。

此时,通用数据集上训练得到的深度模型精度会极大下降,而大规模采集这些实际数据进行重新训练则会耗费大量人力物力且可能无功而返。一种经济且行之有效的手段是对已训练好的深度学习模型进行优化,以便能够适应资源受限条件下的实际部署。

本次分享分别以蒙面人脸检测和低分辨率人脸识别为例子,介绍在数据质量不完备条件下,通过深度模型的修正或适应来实现精度和速度的提升。

 

案例目标

 

为了解决以深度学习为代表的人工智能模型在实际场景上的边缘计算部署,通过模型的优化与适应实现,预期可支持智能驾驶、机器人、无人机等一系列人工智能边缘计算应用及服务。

 

成功(或教训)要点

 

技术与需求的结合

1)大数据、模型优化、迁移学习等技术的合理应用;

2)工业化、智能化的实际需求的深入解读;

3)理论联系实际,大巧若茁,化简为零。

 

案例ROI分析

 

投入科研上人员从理论到技术深化,做有用的前沿创新;产出上结合实际需求进行技术转化。

 

案例启示

 

1)0-1阶段:理论和技术上的突破,强调技术门槛和先进性;
2)1-10阶段:结合实际需求进行技术转化,从特定部门入手,开展产品试用;
3)10-100阶段:有效监控和追踪产品品质,扩展渠道,扩大产品规模、提升品牌影响力;
4)商业化阶段:规模化复制成功经验。

 

案例在团队中的意义

 

面向实际应用,智能视觉分析,对人工智能领域有借鉴

 

领取大会PPT

我要参会

大会全套演讲PPT

立即领取

大会即将开幕,点击抢票!

我要参会