创业100联盟创业服务联盟( 六 )

第二部分就是大数据下的感知智能。深度神经网络包括三种类型，一种是深度卷积神经网络，一种是深度信念网络，一种是深度自动编码器， 06年取得了突破性的成果，一个就是Hinton 。深度卷积神经网络是75年提出的，该模型第一次引入了局部感受野、卷积和ReLU的思想，实际是目前炙热的卷积神经网络的最初版本。它真正发扬光大就是这个人，就是Yann Lecun ， 95年的时候他称之为卷积神经网络，最早叫认知机。在89年的时候，把误差反向传播引入了CNN 。第二个成果就是95年卷积神经网络的概念被提出。06年深度CNN模型被提出，同时以0.39%的错误率，刷新了MNIST数据集的历史记录。目前的世界记录是0.21% 。
这个网本身提出了一些特征，它跟以前不相同，以前所有特征都是人工设计的，这个特征可以自动提取，有低层特征和中层特征和高层特征。标志新的成果是2012年，当时Hinton的博士生系统地提出了一种基于GPU迅速的深度CNN ，在具有1000种物体类别的ImageNet分类竞赛中取得了当时最好的成绩，错误达到了15.3% ，由此揭开了深度学习在计算机视觉，语音识别和自然语言处理理解中大规模研究的序幕，产业开始真正深度介入。我们在80年代90年代初的时候这个领域非常热，所有领域都搞神经网络，但是那时候产业界从来没有进来，都是学术界做的。
深度卷积网络视觉物体识别能力，这是基于Deep CNN公开评测的数据。大数据：真实条件下有标签的巨量数据跨国企业的私有大数据的资源，其重要性如同原油一样。深度学习主要是靠大数据，还有GPU的应用。
在2014年的分类竞赛中，谷歌做的事情就是谷歌Net网络， 22层的深度网络。还有牛津大学的VGG ，这个不说了。人类对ImageNet数据集TOP—5的错误率为5.1% ，上个月的记录是到了3.08% 。针对ImageNet1000种物体的识别， DeepCNN超过了人类的识别能力。数据从06年到2012年六年的时间，当时产业界并没有重视，也没有大数据进来，然后2012年跨国企业全进来了， 2012年到2015年，现在每个月都可以看到数据的不断更新，可以看到非常明显的趋势。
再举个例子，就是人脸识别，现在也是DeepCNN超过了人类的识别能力，我们从2014年开始， Deep CNN成为人脸识别的主流方式，大数据成为性能提升的关键，例如FaceNet达到了2亿，传统视觉识别方法最好的结果是96%左右，基于LFW数据集，判断两张陌生照片中的面孔是否同一个人时， Facebook中每天8一张照片中监测或识别特定用户的面孔或进行自动标签处理。还有这个是9层卷积层， 1.2亿连接权，香港中文大学的XOTang等的DeepID2+正确率为99.47% ，超过了人类97.53%的正确率，谷歌最新的FaceNet达到了99.63% 。针对德国交通标志识别率的， DeepCNN超过了人类的识别能力，人类是98.84% ，采用Deep CNN是99.81% ，这是去年年底的事。
Deep CNN的检测与定位分割能力，正在成为全球的研究热点，其突破将推动AI的实际应用于产业发展，模拟生物视觉皮层的背侧通路。对多尺度的滑动窗口应用DeepCNN ，这个时间代价非常少，现在还有GPU和芯片的，这块都可以支撑它的实时性。这是Facebook做的。Deep CNN+再励学习：正应用于神经动态规划问题中，取得了以阿尔法狗为代表的里程碑式的胜利，引起了全社会的关注。

创业100联盟 创业服务联盟( 六 )

创业100联盟创业服务联盟( 六 )