AI少女的誕生

人工智能的發(fā)展是近年來(lái)科技領(lǐng)域的一個(gè)重大事件。隨著深度學(xué)習(xí)的不斷進(jìn)步、計(jì)算能力的不斷提高和硬件成本的降低以及數(shù)據(jù)量的快速增加等條件的影響下,計(jì)算機(jī)視覺(jué)技術(shù)得到了飛速發(fā)展。在圖像識(shí)別中應(yīng)用最為廣泛的算法有基于卷積神經(jīng)網(wǎng)絡(luò)的CNN模型(如FasterRcnn),還有采用全連接網(wǎng)絡(luò)結(jié)構(gòu)的DNN模型(比如Torch)。這些方法都具備較高的魯棒性且能夠?qū)崿F(xiàn)較為復(fù)雜的分類任務(wù),因此在圖像處理方面得到廣泛應(yīng)用。

然而由于目前大部分機(jī)器學(xué)習(xí)方法存在缺陷:例如訓(xùn)練過(guò)程復(fù)雜度較高;對(duì)噪聲的容忍程度較低;難以適應(yīng)不同的場(chǎng)景需求等等問(wèn)題使得其很難達(dá)到實(shí)用化的水平。為了解決上述缺點(diǎn)并滿足實(shí)際應(yīng)用的需求,研究人員提出了多種針對(duì)不同問(wèn)題的機(jī)器學(xué)習(xí)框架來(lái)應(yīng)對(duì)各種挑戰(zhàn)。其中具有代表性的包括LSTM-SVM/GAN、AdaBoost及Apriori等幾種架構(gòu)和方法。

1.LStm-SVRMetricVariantsforRegionalClassification

Lstim是基于線性判別分析的方法論提出的一個(gè)用于區(qū)域分類的學(xué)習(xí)系統(tǒng).該方法的原理是通過(guò)將輸入圖片進(jìn)行特征提取后將其轉(zhuǎn)化為相應(yīng)的向量值,再通過(guò)向量和矩陣的特征空間中的元素對(duì)應(yīng)關(guān)系來(lái)進(jìn)行判斷的分類器.

(1)步驟1:首先使用高斯模糊聚類法生成一組樣本點(diǎn)作為初始狀態(tài)變量x1,y1。然后利用低秩損失函數(shù)產(chǎn)生新的隨機(jī)梯度下降估計(jì)量X2,Y2,X3,Y3。接著根據(jù)新產(chǎn)生的三個(gè)隨機(jī)梯度下降估計(jì)量為每個(gè)樣本點(diǎn)的位置分別賦予權(quán)重α1、β2、γ2。最后再將這三個(gè)權(quán)重與原始的狀態(tài)變量的權(quán)值相乘即可完成初始化工作.

(2)步驟2:接下來(lái)需要定義一些約束參數(shù)以使整個(gè)系統(tǒng)的泛化能力更強(qiáng)。通常我們希望所得到的輸出結(jié)果可以代表某個(gè)區(qū)域的類別信息或某些特定的物體或者物品。因此我們可以設(shè)置以下的一些限制因素:

a)輸出數(shù)據(jù)的維數(shù)不超過(guò)30維;

b)輸入的數(shù)據(jù)必須為彩色照片;

c).數(shù)據(jù)大小不能超過(guò)10MB;

d.)訓(xùn)練時(shí)間不能低于20min.

(3)步驟3:當(dāng)以上所有準(zhǔn)備工作完成后就可以開始正式的訓(xùn)練了.首先我們需要從大量的測(cè)試集上收集到足夠多的訓(xùn)練樣本,然后再對(duì)這些采樣后的樣本進(jìn)行分析處理,從而得出最終要使用的訓(xùn)練樣本來(lái)供下一步的分析用例選擇之用.