从机器视觉到人工智能的思考

十年前我们很多机器视觉工程师摇身一变就成了算法工程师这是一个过渡和跳板最终是跟上未来手握人工智能机器视觉和人工智能最大的差别站在图像分析基础上看除了反向梯度传播没什么两样其实所有的人工智能概念机器视觉已经有了今天我们可以先列一个大纲后头详细看他们的演变。1九宫格就是卷积核2光可以是黑白也可以是rgb这是机器视觉最擅长处理的光也可以分成七彩虹如果你再细分七彩色中任意个颜色比如黄再分三种颜色就变成21种想说什么一种颜色成像一种同一个图像可以有21种cnn由1幅图像变成21种我们可以把卷积核当作分色3那么哪一种图像才是重要的如果是红旗的颜色我们机器视觉中人为选择r图像即可而ai怎么选在21种里当然靠反向传播梯度下降这就脱离人为意识的作为这个东西实在是太伟大4九宫格标定板我们如何匹配我们前面使用了一种极其简单的方法就是求梯度和如果这个值在一定范围内接近我们认为就找到了也即匹配上了这里我们把这种数值确认等同最小二乘确认或者交叉熵确认这就是说我们看到的九宫格在标定板上匹配到意识的确认和数值最小二乘交叉熵没什么区别surf算法中积分和图与盒式box滤波器的关系一突发奇想验证_积分图和箱式滤波器图的区别-CSDN博客5昨天和今天又看了看darknet神经网络架构突然发现1*1卷积的降维实际就是筛选有用的东西你也可以说是感兴趣区域注意力机制或者什么通道注意力机制其实筛选就是丢弃dropout实际池化也是一种丢弃6我们在机器视觉形状匹配中使用了原始的3*3的高斯卷积并且把图像尺度变小保持高速匹配这个在darknet中的体现是什么就是stride2不用平均池化也不用最大池化就是stride2取一个像素而已像极了机器视觉的图像金字塔压缩图像7机器视觉的形状匹配所有的丢弃完成后就是一幅金字塔压缩轮廓图像然后死板的寻找感兴趣区域即匹配上实际上神经网络也是完成这种丢弃最后留下最有价值的东西或者叫做特征那么为什么神经网络要做反向传播的梯度下降实际就是找到像我们人类用高斯金字塔压缩图像找到轮廓的相似方法每一个像高斯卷积核一样的cnn找到了那么神经网络的训练就完成了8所以darknet中在图像中找到位置的方法与机器视觉没什么两样9而且darknet神经网络架构最接近机器视觉思想高速精度稳定这三个目标10我觉得darknet神经网络还应该会进化出更接近机器视觉匹配仅用cpu的形式11是不是我们可以把机器视觉中人类的结晶比如高斯卷积和拉普拉斯等常用的卷积核与神经网络自生成卷积核混合使用12我们机器视觉最擅长黑白图像开始是灰度黑白图结果也是轮廓黑白图这是什么意思黑白其实是一种非常简单和高效的特征抽象神经网络也应如此256中卷积核生产的各种图像最终回归到黑白抽象最简单最高效这就是抛弃就是1*1卷积核的中心思想也就是把复杂的数字世界最后做个01总结这个也很契合我们黄帝内经的中医思想一个很复杂的病最后化简到阴和阳0和1这个实现一个是人脑一辈子学习达成的一个是神经网络达成的13其实就是丢弃别把重要的丢了结束以前人们说天人合一现在是人机合一14其实我觉的反向传播的梯度下降是一个又笨又复杂的东西能不能不用关键的东西学一次就可以烧脑般学习不符合最小能量生存法则15其次颜色传感器rgb已经远远不能满足人工智能至少应该有21种颜色传感器用来训练人工智能这样不必3-》32卷积了毕竟3是有限的16机器视觉识别匹配很妙的一招无论如何我们处理的都是图像而神经网络不行他为了保证一直是图像或者是语言做了非常多的努力这是梯度下降反向传播带来的本来想写个提纲意思到了但不够抽象丢弃的不够没达到言简意赅还需努力毕其一生我们都在做少不如多的升维的充象过程其次又在升华多不如少的降维抽象过程实际上机器视觉和人工智能都是这个意思