2 机器视觉推动计算机视觉和视觉AI发展的四大关键趋势.docxVIP

【机器视觉】推动计算机视觉和视觉AI进展的四大关键趋势 2020-04-02 原文 推动计算机视觉和视觉AI进展的四大关键趋势 EVA?act视觉系统设计? ??本文争辩了推动视觉使用快速进展和影响行业将来的关键趋势，解释了这些趋势背后的推动要素，并强调了对技术供应商、处理方案开发者和最终用户的关键影响。??? ? ? ? ? ? ? 早在2011年嵌入式视觉联盟（EVA）成立时，其创始公司就认为，在广泛的市场范围内，在有用计算机视觉技术和处理方案领域的投资、创新和部署，将很快消灭史无前例的增长。在不到十年后，这一猜测就真正实现了。在过去的六年中，美国和中国在计算机视觉公司领域的投资都在加速，过去六年的投资额增长了100倍，并且增长速度没有任何放缓的迹象（见图1a）。 图1a：全球在计算机视觉公司领域的投资显著添加，并且没有放缓迹象。（来源：Woodside Capital/Crunchbase） ? 这些投资正在刺激这些公司及其合作伙伴和客户加速在视觉领域的争辩、开发和部署活动。EVA会定期对视觉开发者社区就各种主题开展调查，最新调查结果表明，93%的被调查组织表示，将来一年中在视觉领域的投入会添加（其中61%表示会大幅添加）（见图1b）。 图1b：2019年，开发者在视觉领域的投入将显著添加。（来源：EVA） ? 估计这些添加的活动将转化为收入的添加；例如，Tractica最近发布的一份市场争辩报告猜测，从现在到2025年，计算机视觉市场（包括硬件、软件和服务，见图1c）的收入将添加25倍，到2025年将超过260亿美元。 图1c：全球范围内对计算机视觉相关公司的投资，将驱动这些公司将来的收入大幅增长。 （来源：Tractica） ? 其中，有四大关键趋势正在驱动这些增长，它们分别是：（1）深度学习；（2）3D传感；（3）快速、廉价、节能的处理器；（4）硬件和软件的普及化。 ? 趋势一、深度学习 传统上，计算机视觉使用依靠于公用的算法，这些算法经过细心设计以识别特定的特征（如边缘、角落、物体）。然而最近，卷积神经网络（CNN）和其他深度学习方法已经在各种图像理解任务上，表现得优于传统算法。与传统算法相比，深度学习方法是通过实例训练的通用学习算法，来识别特定的特征，包括物体类型和位置。深度神经网络（DNN）已经转变了计算机视觉领域，其在识别物体、在一帧图像内定位物体以及确定哪个像素属于哪个物体等功能上，都供应了优越的结果。即便是像光流和立体婚配这样的已经用传统技术能很好地处理的问题，现在也可以用深度学习技术找到更好的处理方案。 ? 此外，基于深度学习的视觉处理方法，在处理很多问题上都优于传统的计算机视觉算法。ImageNet图像识别挑战赛获奖者的结果表明，从几年前开头，在相同的任务和相同的数据集中，深度学习在识别物体方面的精确?????性开头超过典型的人类功能（见图2a）。深度神经网络也被训练、以填补照片中缺失的补丁，与能够娴熟处理图片的操作员的技能相婚配，同时能够比人更快地供应处理结果。而且，训练有素的神经网络甚至开头产生远超越技术娴熟的人类所能做出的成就，例如从格外差的曝光照片中产生可接受的图像（见图2b）。 图2a：现在深度学习算法在图像中精确识别物体的力量，已经能够与人类的力量相婚配。（来源：/ai/metrics） ? 图2b：在某些情况下，深度学习算法可以产生超出人类力量的结果。（来源：Learning to See in the Dark, Chen Chen, Qifeng Chen, Jia Xu and Vladlen Koltun, CVPR 2018） ? 因此，不出所料，计算机视觉开发人员正越来越多地将深度学习技术添加到他们的工具箱中（见图3）。EVA最近的调查结果显示，59%的视觉系统和处理方案开发者已经在使用DNN，比两年前的34%大幅添加。28%的人方案在不久的将来使用DNN用于视觉智能。总体来看，87%的开发者已经使用或方案使用神经网络来执行计算机视觉功能。??? ?? ? 图3：87%的开发者已经使用或方案在不久的将来使用神经网络来执行计算机视觉功能。（来源：EVA） ? 趋势二、3D传感 ? 2D图像传感器能够在很多嵌入式视觉系统设计中，实现巨大的视觉力量。然而，它们无法辨别物体与传感器之间的距离，这将导致某些视觉功能的实现格外困难或是无法实现。例如，手势接口实现。识别运动的力量，包括上下、左右和前后，能够大大扩展系统能够解读的手势的多样性、丰富性和精确性。或者是人脸识别情况（见图4）：深度传感在“确定被识别的物体是真实的人脸而非人脸的照片”方面，也很有价值。 ? 图4：人脸识别（上图）和视觉同步定位和映射（下图）是3D图像传感所实现的众多功能中的两个。（来源：/pcc.dis