图像识别技术落地 探索应用场景

本篇文章1527字，读完约4分钟

随着阿尔法·戈的胜利，人工智能的“深度学习”概念得到了迅速普及，打破“机器学习”向“深度学习”过渡的第一个节点出现在图像识别领域。

根据平安证券《通信行业人工智能图像识别专题报告》，图像识别分为生物识别、目标场景识别和视频识别。据估计，到2020年，生物识别技术的市场规模将达到250亿美元，五年内年均增长率约为14%。其中，人脸识别的增长速度最快，将从2015年的9亿美元增长到2020年的24亿美元。

在各种场景应用中，人脸识别是目前最常见的，机器比人类具有更高的识别能力。在两周前的《超级大脑》中，百度首席科学家吴恩达带着一个小机器人(300024，买入)与人类玩家竞争，并在人脸识别项目中以3: 2获胜。然而，在联想和常识理解能力方面，图像识别远远不能与人类相比，相关公司正在积极切入垂直行业应用。

图像识别着陆

图像识别背后的技术是一种新的机器学习方法，即深度学习。具体地，基于数据，计算机自动生成特征量，而不是人工设置特征量，然后计算机根据这些特征量进行分类。

“与2012年的技术相比，这些年来图像识别技术又一次突飞猛进，”数字技术公司首席执行官邓立邦告诉《21世纪经济报道》记者。“从技术角度来看，开始很容易。从0到40和60点，门槛相对较低。升级到90分需要一个深度模型。”

图像识别技术的迅速登陆有很多原因。一方面，许多大企业已经开发了基本工具。邓立邦说:“就人脸识别而言，很多学术机构已经做了相当长时间的研究，发表了很多论文，都与实际应用相联系。但是，除了面子以外，情感仍然是一个棘手的话题。”

另一方面，产业链的更新迭代也为图像技术奠定了基础。平安证券的报告提到，高性能的人工智能计算芯片和深度学习算法都是推动图像识别发展的因素。其中，人工智能的底层架构，从cpu+gpu到fpga，再到人工智能专用芯片，都在不断更新。目前，NVIDIA的dgx-1芯片的程序运行速度比旧的gpu加速解决方案快12倍。

图普科技还告诉记者，近年来，由于计算机速度的提高、大规模集群技术的兴起、gpu的应用以及许多优化算法的出现，几个月的训练过程可以缩短到几天甚至几个小时，深度学习可以逐步用于产业化。

应用场景的多样化

虽然真正的人工智能尚未实现，但日益成熟的图像识别技术已经开始探索在各个行业的应用。Tupu Technology首席执行官李对记者表示，将人工智能引入特定行业，在垂直行业获取和管理大数据非常重要。

据报道，图像识别技术已在农林工业中得到应用。中国林业产业协会非洲分会秘书长丁磊对《21世纪经济报道》记者说:“木材生产涉及很多环节，过去需要大量的人力投入。目前，图像识别已经应用于森林调查、无人机采集图像、利用图像分析系统分析森林树种覆盖率和森林树木健康状况等多个环节，从而制定更加科学的挖掘方案。在原木检验方面，图像识别可以快速判断木材的树种、优缺点和规格，省去了大量的人工参与。”

平安证券在研究报告中举例说明，在金融领域，身份识别和智能支付将提高身份安全和支付的效率和质量；在安全领域，未来，在硬件铺设到后端软件管理平台的建设和改造中，图像识别系统将成为建设智慧城市的核心环节；在医学领域，基于人工智能的医学图像快速匹配可以帮助医生更快、更准确地读取患者的图像数据；在无人驾驶领域，低成本的摄像头加上视频处理软件将为无人驾驶的商业化奠定基础。

此外，在智能家居、电子商务等行业中，图像识别也得到了不同程度的应用。从目前的应用情况来看，以b行业居多，当然，也有很多以c产品如face++为主。在深度学习下，公司面对不同的行业，培养不同知识的图像识别机。未来，如何收集和处理基于图像的大数据将成为行业内玩家的另一个竞争点。