時間:2018-05-14 18:29:08來源:網(wǎng)絡轉(zhuǎn)載
QualcommAI研究人員獲得ICLR殊榮:
“球面卷積神經(jīng)網(wǎng)絡(sphericalConvolutionalNeuralNetworks,縮寫CNNs)”榮獲ICLR2018年度最佳論文獎。
深度學習中的技術進展幫助機器能像人類一樣“看”世界,這是人工智能研究中最具吸引力的部分之一。目前,一種突破性技術將讓機器能夠通過被稱為球面卷積神經(jīng)網(wǎng)絡(sphericalConvolutionalNeuralNetworks,縮寫CNNs)的處理,去看到并識別三維空間中的物體。從識別極小分子的機器到分析外太空最龐大結(jié)構的工具,我們對這項新發(fā)現(xiàn)的能力所能實現(xiàn)的種種可能的想象才剛剛開始。當然,這其中還包括了許多介乎兩者之間的用例,比如指導機器人在人群中安全導航。
正如最近這次獲獎所展現(xiàn)的,該研究領域是人工智能(AI)發(fā)展的前沿領域。QualcommTechnologies荷蘭研究人員TacoCohen和MaxWelling及其合作伙伴,通過與阿姆斯特丹大學聯(lián)合撰寫的《球面CNNs》論文榮獲“國際學習表征大會(ICLR:InternationalConferenceforLearningRepresentations)2018年度最佳論文獎”。ICLR主要發(fā)布人工智能(AI)和機器學習方面的最新研究,現(xiàn)已舉辦到第六屆。蒙特利爾大學的YoshuaBengio和紐約大學/Facebook的YannLeCun共同擔任ICLR2018的主席。在全球頂尖AI實驗室提交的約1,000篇投稿中,AI領域最具創(chuàng)新性和影響力的研究被授予最佳論文獎的殊榮。
該球面CNN論文引入了構建CNNs的新型數(shù)學架構,可魯棒地分析球面圖像,并不會受到曲面失真的影響。這是因為:球面CNN具有針對旋轉(zhuǎn)的“等變”特性,它意味著該網(wǎng)絡學習到的內(nèi)部表征會與輸入信息同步旋轉(zhuǎn)。從實驗的結(jié)果來看,球面CNNs在兩項截然不同的任務上可實現(xiàn)出色的預測精度:球面圖像3D模型識別和原子化能量預測(一項重要的化學問題)。
球面CNNs為什么重要
為了理解球面CNNs的重要性,我們介紹一些背景:過去幾年,深度學習——尤其是CNNs——已徹底變革了AI,語音識別、視覺對象識別、自然語言處理及其他領域均出現(xiàn)突破性成果。CNNs很擅長分析線性信號,例如音頻或文本、圖像、或視頻,因其具備可識別模式的內(nèi)在能力,而不管其空間或時間位置如何。這能支持CNNs學習并識別如視覺對象,無論它在圖像中位于什么位置,并無需在深度學習模型訓練階段觀看同一對象的多個移動版本。但在最近受到關注的多個應用中,我們都希望學習的信號留存在球體上,如汽車、無人機和其他機器人拍攝其整個周邊環(huán)境的球面圖像所使用的全向攝像頭。在科學應用中也存在大量球面信號,從地球科學到天體物理學都有相關案例。
分析此類球面信號的一個方法是把信號投影到平面上,并借助CNN來分析結(jié)果。但根據(jù)制圖學,任何此類“地圖投影”都會導致扭曲失真,讓部分區(qū)域看起來比實際尺寸更大或更小。這會使CNN變得無效,因為隨著對象在球體上移動,它們看上去不僅只是在地圖上移動,而且還會顯得縮小和拉伸。
如何使用球面CNNs
球面CNNs在物聯(lián)網(wǎng)(IoT)、機器人、自動駕駛汽車、增強現(xiàn)實(AR)和虛擬現(xiàn)實(VR)領域都有諸多應用。如今,自動駕駛無人機已向消費者出售,或許有一天它將能在幾分鐘內(nèi)把包裹送到你的家門口,這就是球面CNNs可改善物體偵測與識別,以及視覺運動分析的一個自然應用。在AR方面,一整組攝像頭所拍攝的360度房間全景可融入至單球面圖像中,借助球面CNN的高效分析,精確覆蓋虛擬物體。
Qualcomm對此項工作可能帶來的上述應用和其他轉(zhuǎn)換應用倍感興奮,我們也正在積極推動此項研究及其他數(shù)據(jù)高效學習研究。
標簽:
下一篇:機器人在未來工廠:電纜廠商...
中國傳動網(wǎng)版權與免責聲明:凡本網(wǎng)注明[來源:中國傳動網(wǎng)]的所有文字、圖片、音視和視頻文件,版權均為中國傳動網(wǎng)(m.u63ivq3.com)獨家所有。如需轉(zhuǎn)載請與0755-82949061聯(lián)系。任何媒體、網(wǎng)站或個人轉(zhuǎn)載使用時須注明來源“中國傳動網(wǎng)”,違反者本網(wǎng)將追究其法律責任。
本網(wǎng)轉(zhuǎn)載并注明其他來源的稿件,均來自互聯(lián)網(wǎng)或業(yè)內(nèi)投稿人士,版權屬于原版權人。轉(zhuǎn)載請保留稿件來源及作者,禁止擅自篡改,違者自負版權法律責任。