做网站需求方案,关于古风的网站建设项目,图文广告设计制作软件,市场调研公司如何赚钱来源#xff1a;云栖社区 概要#xff1a;今天我们将讨论深度学习中最核心的问题之一#xff1a;训练数据。 Hello World#xff01; 今天我们将讨论深度学习中最核心的问题之一#xff1a;训练数据。深度学习已经在现实世界得到了广泛运用#xff0c;例如#xff1a;无… 来源云栖社区 概要今天我们将讨论深度学习中最核心的问题之一训练数据。 Hello World 今天我们将讨论深度学习中最核心的问题之一训练数据。深度学习已经在现实世界得到了广泛运用例如无人驾驶汽车收据识别道路缺陷自动检测以及交互式电影推荐等等。 我们大部分的时间并不是花在构建神经网络上而是处理训练数据。深度学习需要大量的数据然而有时候仅仅标注一张图像就需要花费一个小时的时间所以我们一直在考虑能否找到一个方法来提升我们的工作效率是的我们找到了。 现在我们很自豪的将Supervisely令人惊叹的新特性公诸于世支持AI的标注工具来更快速地分割图像上的对象。 在本文中我们将重点介绍计算机视觉但是类似的思路也可用在大量不同类型的数据上例如文本数据、音频数据、传感器数据、医疗数据等等。 重点数据越多AI越智能 让我们以吴恩达非常著名的幻灯片开始首先对其进行小小的修改。 深度学习的表现优于其它机器学习算法早已不是什么秘密。从上图可以得出以下结论。 结论 0AI产品需要数据。 结论 1获得的数据越多AI就会越智能。 结论 2行业巨头所拥有的数据量远超其它企业。 结论 3AI产品的质量差距是由其所拥有的数据量决定的。 因此网络架构对AI系统的表现影响很大但是训练数据的多少对系统表现的影响最大。致力于数据收集的公司可以提供更好的AI产品并获得巨大的成功。 常见错误AI全都是关于构建神经网络的。 如上图所示当人们一想到AI就会想到算法但是也应该考虑到数据。算法是免费的谷歌和其他巨头更倾向于向世界分享他们最先进的(state-of-the-art)研究成果但是他们从不会共享数据。 许多人已经跳上了人工智能炒作的列车并且创造了极棒的构建和训练神经网络的工具然而关注训练数据的人却少的可怜。当企业打算将人工智能转换成实际应用时会倾尽全部工具用于训练神经网络却没有用于开发训练数据上的工具。 吴恩达说论文已经足够了现在让我们来构建AI吧 好主意我们完全赞同。目前有许多论文和开源成果论述了最先进的state of the art 且涵盖所有的实际应用的神经网络架构。想象一下你获得了一个价值10亿美元的新想法。首先想到的肯定不会是我将使用哪种类型的神经网络最有可能的是我在哪里可以得到能建立MVP的数据 让我们来寻找一些有效的方法训练数据可行的方法如下 1.开源数据集。深度神经网络DNN的价值是用于训练数据在计算机视觉研究中大多数可用数据都是针对特定研究小组所研究的课题而设计的通常对于新研究人员来说需要搜集更多额外的数据去解决他们自己的课题。这就是在大多数情况下开源数据集并不是一个解决方案的原因。 2.人工数据。它适用于类似OCR文字识别或者是文本检测然而很多实例如人脸识别医学影像等表明人工数据很难甚至是不可能产生通常的做法是将人工数据和带标注的图像相结合使用。 3.Web。自动收集高质量的训练数据是很难的通常我们会对收集的训练数据进行修正和过滤。 4.外面订购图像标注服务。一些公司提供这样的服务我们也不例外。但其很大的缺点是不能进行快速的迭代。通常即使是数据专家也不确定如何标注。通常的顺序是做迭代研究标注图像的一小部分→建立神经网络架构 →检查结果。每个新的标注都将会影响后续的标注。 5.手动标注图像。仅适用于你自己的工作领域内的专业知识是很关键的。医学影像就是个很好的例子只有医生知道肿瘤在哪里。手动注解图像这个过程很耗时但是如果你想要一个定制化的AI也没有其他办法。 正如我们所看到的其实并没有万能方法最常见的方案是创建我们自己任务特定的训练数据形成人工数据如果可能的话再整合到公共数据集中。这其中的关键是你必须为特定的任务建立自己独一无二的数据集。 让我们深入学习来构建深度学习 深度学习接近于数据匮乏且其性能极度依赖于可供训练数据的数量。 通过实例我们可以看出标注的过程有多困难。这里是标注过程所花费时间的一些原始数据例如使用Cityscapes数据集用于无人驾驶在对Cityscapes数据集中单个图像的精细像素级的标注平均需要花费1.5h如果标注5000个图像则需要花费5000*1.57500h。假设1h10美国最低工资那么仅仅是标注该数据集就需要花费约7.5万左右不包括其他额外的成本。同样吃惊的是像这样一家拥有1000名做无人驾驶图像标注员工的公司只不过是冰山一角。 神经网络能否帮助我们提高图像标注的效率呢我们可不是第一个试图回答这一问题的人。 半自动化实例标注很早就开始使用了 有很多经典的方法可提高标注的效率如超像素块算法(Superpixels)分水岭算法(Watershed)GrabCut分割算法等。近几年研究人员试图用深度学习完成这一任务link1, link2, link3这些经典的算法有很多缺陷需要很多超参数对每一幅图像进行检索难以对结果进行标准化和修正。最新的基于深度学习的成果要好很多但在大多情况下这些成果是不开源的。我们是第一个为每个人提供基于AI的标注工具的人我们自己独立设计了与上边三个links概念类似的神经网络架构。它有一个很大的优势我们的神经网络不需要对对象实例进行分类。这就意味着可以对行人、汽车、路面上的凹陷处、医学影像上的肿瘤、室内场景、食物成分、卫星上的物体等等进行分割。 那么它是如何工作的呢如下图所示 你只需要剪裁感兴趣的对象然后神经网络将会对其进行分割。人机交互非常重要你可以点击图像的内部和外部标签进行修正错误。 语义分割是将图像划分为多个预定义语义类别的区域与它不同的是我们的交互式图像分割旨在根据用户的输入提取其感兴趣的对象。 交互式分割的主要目标是根据用户最少的操作即可精确的提取对象以改善整体的用户体验因此我们大大提高了标注的效率。 这是我们的第一次尝试当然在有些情况下好的标注依然会有缺陷。我们会不断的提高质量并做出适用于领域适应性的简单方法在不编码的情况下为适应内部特定的任务自定义工具。 结语 数据是深度学习的关键训练数据是费时和高代价的。但是我们和深度学习的团体积极尝试着去解决训练数据的问题并且成功的迈出了第一步希望能够在以后提供更好的解决方案。
