大家好,今天小编关注到一个比较有意思的话题,就是关于pg驾驶技巧的问题,于是小编就整理了1个相关介绍pg驾驶技巧的解答,让我们一起看看吧。
向更高层次的推理发展,向经典方法寻求借鉴!目前的计算机视觉只实现了一些底层工作,还有很长的路要走,深度学习作为工具也需要升级换代,关键在于做基础研究的人太少,都在搞应用!
计算机视觉的极限还远着呢,现在只是实现了比较基础的功能,和人眼相比只是在特化的方向表现出色,但是多功能方面还是不行。所谓的极限将至,是指利用复杂的网络无法得到比简单网络更可靠和准确的结果,这个问题并没有出现在CNN乃至计算机视觉方向上,担心太早了。
我来回答,毕竟深度学习的机器视觉应用自己也在用,首先我澄清我所说都是来源于工厂以及项目应用实践,深度学习在机器视觉尤其是二维相机的应用确实出现了瓶颈,用过深度学习做缺陷检测的人都会知道,实际上深度学习所做的缺陷检测一般达不到100%,这其中有一部分主要是无法检测深度信息引起的,尤其是工业机器视觉更加明显,但这不仅仅是算法的原因,其实还有取图相机的原因,因为是二维相机所以无法检测到物体表面深度信息,连数据都无法完整输入到算法,那让算法怎么识别到准确结果,这就是瓶颈之一,其二现阶段深度学习在机器视觉的处理方法一般还是以2D平面照片信息为主,无法有效检测以及处理3D相机数据,这也就直接导致在市场3D相机应用需求飞长的同时,一般只能靠传切线理论以及波变换来处理,而深度学习在处理这种数据时确实显得很疲软,甚至无从下手。但不要忘了人眼之所以强大是因为它能够探测到三维信息,并且大脑也可以处理。随着工业相机各大厂商将相机不断趋近人眼设计的同时,3D相机是必不可少的发展趋势,就目前来看应用于实际项目的深度学习三维数据处理算法其实是存在很大瓶颈的。(当然因为个人能力有限,上述结论纯属个人观点,不喜勿喷)
深度学习目前发展已经到瓶颈!首先训练过程太麻烦,而精度太差。
笔者是从事工业互联网和工业自动化行业的,工业的人工智能大多数都是已知模型,预装传感器。同时工业场景非常难得到足够多的标签去训练深度学习。
本来我们以为深度学习唯一可以大规模使用的场景是语音和图像识别,因为这两个场景标签获得容易,识别特征向量非常多,所以吻合深度学习的特点。
现在深度学习在在唯一有意义的行业也碰到了天花板,这是让人心疼和无语的。图像在识别度到达90%后很难再提高准确度,或者很难产品化。实际上在很多场景哪怕识别度99%都无法大规模使用,比方说工业控制场景。只能在一些测量,分拣,质量的部分场景使用。在加上光源,CCD,数据库,带宽,速度的问题,真的是花了一个***的代价吃了一碗米粉。而如果有这些条件用比深度学习成本低好多的技术完全可以实现更高的精度。
综上所叙,深度学习可能远没有之前认为的那么厉害,有非常好的限制,只能在一些不重要的场合起辅助作用。
目前我们的“极简工业”工业互联网平台也在尝试深度学习的机器视觉,大家可以在微信小程序搜索“极简工业”了解这套工业互联网开发工具。
AI发展的终极目标是实现自我决策,也就是通用人工智能,强化学习也称增强学习在2015年被Deepmind大佬们在Nature上发表,首次将深度学习引入强化学习,由此又有很多新的成果发表,各种DQN变种,DPG, DDPG.A3C等等,目前强化学习在深度学习,自然语言处理,自动驾驶,推荐系统,游戏博弈等方向有很多应用,个人认为未来是Reinforcement learning的天下,会有产生更多的学术成果。
到此,以上就是小编对于pg驾驶技巧的问题就介绍到这了,希望介绍关于pg驾驶技巧的1点解答对大家有用。
[免责声明]本文来源于网络,不代表本站立场,如转载内容涉及版权等问题,请联系邮箱:83115484@qq.com,我们会予以删除相关文章,保证您的权利。转载请注明出处:http://www.dpspw.com/post/32594.html