Industry News
Five forms of intelligent vision affecting artificial intelligence
Date：2018-07-30
Source：Samsun Technology
智能视觉是人工智能的大门，如果不打开这扇大门，就没有办法深入研究人工智能。人的大脑皮层70%的活动都在处理视觉信息，视觉信息与听觉信息、触觉信息相比要重要得多。同理，如果没有视觉信息的话，人工智能只是一个做符号推理的空架子。
智能视觉涉及心理物理学、计算机科学、图像处理、模式识别、神经生物学等诸多领域，主要指利用计算机来模拟人或再现与人类有关的某些智能行为的技术，客观的来说，这是从事物的图像中提取信息进行处理并加以理解，从而最终用于实际的生产生活中去的过程。
由此可见，图像分析是智能视觉中最为重要的一环。图像分析与图像处理关系密切，两者有一定程度的交叉，但是又有所不同。
图像分析更侧重点在于研究图像的内容，包括但不局限于使用图像处理的各种技术，它更倾向于对图像内容的分析、解释、和识别；而图像处理侧重于信号处理方面的研究，如图像对比度的调节、图像编码、去噪以及滤波的研究。
那么，智能视觉将通过哪些形式影响人工智能呢？
01 智能设备在视觉上开战
随着智能设备的系统越来越接近“人性化”即人工智能，它将更需要通过视觉途径来学习和处理其他数据，也因此，智能视觉技术争夺战即将打响。例如，亚马逊最近为其以Alexa作为语音助手的智能设备Echo，添加了一台摄像头，而Google（Lens）和Facebook最近又发布了新的增强现实研究的声明。
02 智能视觉引领无人驾驶
我们经常会看到这样的争论：无人驾驶汽车是否需要激光雷达？仅依赖智能视觉的解决方案足够吗？对此，业界普遍认为，汽车不仅仅需要智能视觉传感器平台——相机，也需要比GPS更精确的LiDAR和高精度无线电导航，因为LiDAR和雷达通过范围和角度来精确定位周围环境中的实际物体，而智能视觉解决方案则应用深度学习算法运行图像，取得预测的结果。然而，光学解决方案能在实际生活中识别某个地方的效果更好。
03 智能视觉是优秀的“学习途径”
机器不仅仅通过神经网络和机器学习来学习，他们还通过其它方法来学会识别和分析他们周围的世界。Google的科学家展示过一种技术：通过将屋顶上的直线或紫色水果中所存在的偏差放大来判断判定旧房子的结构是否存在问题或者是某个西红柿是否比其他的成熟的更好、更饱满。这看似很简单，却是智能视觉的优秀“教学”案例。
04 智能视觉优化医疗诊断
病理学家平均每天有500张幻灯片要处理，而每张幻灯片又包含数十万个需要分析的单个细胞，人类无法像计算机一样高效的工作，医生很容易遗漏癌细胞，造成误判。智能视觉技术可以恰当的解决这个问题：病理学家查看他们所熟悉的数据，与那些由智能视觉系统处理过的图像结合，基本上就可以确定癌症的区域，然后医生通过专门研究这些区域作出诊断。以乳腺癌研究为例，如果没有智能视觉技术，活检只有85％的准确率，而使用智能视觉作为辅助，错误率将下降到只有5％。
05 智能视觉降低人工智能门槛
优质相机、传感器和深度学习软件库等的商品化大大扩展了智能视觉的使用范围，我们看到许多新的初创公司的出现。不论是由街景视图图像生成人口分析报告的技术，还是能够对事故发生后汽车的损坏程度进行评估并且计算出维修成本的应用程序，我们可以看到智能视觉在多个方面已经出现了让人难以置信的商业化，这极大地推动了人工智能的发展。
智能视觉涉及心理物理学、计算机科学、图像处理、模式识别、神经生物学等诸多领域，主要指利用计算机来模拟人或再现与人类有关的某些智能行为的技术，客观的来说，这是从事物的图像中提取信息进行处理并加以理解，从而最终用于实际的生产生活中去的过程。
由此可见，图像分析是智能视觉中最为重要的一环。图像分析与图像处理关系密切，两者有一定程度的交叉，但是又有所不同。
图像分析更侧重点在于研究图像的内容，包括但不局限于使用图像处理的各种技术，它更倾向于对图像内容的分析、解释、和识别；而图像处理侧重于信号处理方面的研究，如图像对比度的调节、图像编码、去噪以及滤波的研究。
那么，智能视觉将通过哪些形式影响人工智能呢？
01 智能设备在视觉上开战
随着智能设备的系统越来越接近“人性化”即人工智能，它将更需要通过视觉途径来学习和处理其他数据，也因此，智能视觉技术争夺战即将打响。例如，亚马逊最近为其以Alexa作为语音助手的智能设备Echo，添加了一台摄像头，而Google（Lens）和Facebook最近又发布了新的增强现实研究的声明。
02 智能视觉引领无人驾驶
我们经常会看到这样的争论：无人驾驶汽车是否需要激光雷达？仅依赖智能视觉的解决方案足够吗？对此，业界普遍认为，汽车不仅仅需要智能视觉传感器平台——相机，也需要比GPS更精确的LiDAR和高精度无线电导航，因为LiDAR和雷达通过范围和角度来精确定位周围环境中的实际物体，而智能视觉解决方案则应用深度学习算法运行图像，取得预测的结果。然而，光学解决方案能在实际生活中识别某个地方的效果更好。
03 智能视觉是优秀的“学习途径”
机器不仅仅通过神经网络和机器学习来学习，他们还通过其它方法来学会识别和分析他们周围的世界。Google的科学家展示过一种技术：通过将屋顶上的直线或紫色水果中所存在的偏差放大来判断判定旧房子的结构是否存在问题或者是某个西红柿是否比其他的成熟的更好、更饱满。这看似很简单，却是智能视觉的优秀“教学”案例。
04 智能视觉优化医疗诊断
病理学家平均每天有500张幻灯片要处理，而每张幻灯片又包含数十万个需要分析的单个细胞，人类无法像计算机一样高效的工作，医生很容易遗漏癌细胞，造成误判。智能视觉技术可以恰当的解决这个问题：病理学家查看他们所熟悉的数据，与那些由智能视觉系统处理过的图像结合，基本上就可以确定癌症的区域，然后医生通过专门研究这些区域作出诊断。以乳腺癌研究为例，如果没有智能视觉技术，活检只有85％的准确率，而使用智能视觉作为辅助，错误率将下降到只有5％。
05 智能视觉降低人工智能门槛
优质相机、传感器和深度学习软件库等的商品化大大扩展了智能视觉的使用范围，我们看到许多新的初创公司的出现。不论是由街景视图图像生成人口分析报告的技术，还是能够对事故发生后汽车的损坏程度进行评估并且计算出维修成本的应用程序，我们可以看到智能视觉在多个方面已经出现了让人难以置信的商业化，这极大地推动了人工智能的发展。
