跳到主要內容
 
:::

技術論壇

主題:如果提供影像辨識的訓練資料不足,AI電腦視覺技術是不是就派不上用場了?

發文時間 2019/05/29 作者大頭照 SeanKai Pa

瀏覽次數 11609 留言數量 14 按讚 0


電腦視覺類 電腦視覺Deep Learning

目前深度學習很火,從醫療、零售、倉儲、工業到監控等,好像各種影像辨識都能用到,但往往在一個地方卡關,那就是沒有足夠大量且有代表性的資料提供"訓練",有沒有可能用少量資料來達成好的辨識效果呢?


目前是有標榜一些演算或處理過程可以降低訓練樣本的需求量! 但這其實會有些技巧, 好比POS機要辨識特定商品前, 能根據商品的顏色、外型, 排除其他不相干的, 這樣就可以達到一樣所要的辨識效果, 可是只需要較少量的訓練樣本了

作者 laisan86 發文時間 2019/05/29 按讚 0


14則留言

發文時間 2019/05/29 作者 allen chen

按讚 0


解決訓練資料不足的方法還有一招是遷移學習(Transfer Learning),

說穿了就是老手將經驗值轉化成深度學習中神經網路所需要的權重資訊,

也就能把已訓練好的模型遷移到其他的神經網絡中

就不需要從零開始訓練一個神經網絡了 。

不過,遷移學習並非萬靈丹,只有在「適當」的情況下才有可能實現就是了。

 


發文時間 2019/05/29 作者 omnixri

按讚 0


在傳統電腦視覺中,多半採領域專家定多項規則來提取特定特徵(如邊界、色彩、形狀、面積等),所以不需太多影像樣本就能達到不錯的檢出良率,面對不曾出現過的影像,只要符合規則就可適當的分類。

在深度學習領域中,資料集的建立一直是個大麻煩,因為要有極大的數量及多樣性,在影像分類領域中,常見解決方案是用資料擴增法來解決一部份問題。假設只有一百張已標註影像,透過將影像適當隨機縮放、位移、旋轉、扭曲、調整亮度、對比、色彩、模糊等手法就可輕易增加十倍以上,可解決數量問題,但多樣性則不易滿足。

若使用對抗生成網路(GAN)去生成看起來很相似的樣本來滿足多樣性問題,還是會遇到沒有足夠多的樣本根本無法正確訓練出GAN所需的權重,導致生成出一堆很奇怪的樣本。就像雞生蛋、蛋生雞問題,沒有正確的訓練GAN,就沒有看起來正確(有效)的樣本。另外為滿足足夠的樣本數,GAN訓練過程(時間)太過冗長又是另一項問題。

至於遷移學習則是目前較多人採用的解決方案,對於自然界影像較容易達成,主要是因為多半採用ImageNet, COCO之類的巨量數據產生的,所以較易達成只有幾張訓練樣本就能訓練出不錯的結果。但是如果用在工廠或特定領域,則上述這些資料集較少這些影像特徵,訓練出來結果可能就不盡人意,還是得乖乖收集夠多的影像重新訓練。

 

我認同 omnixri 的回答,在樣本數不足夠的情況下,使用GAN學習到的可能是樣本的分布,而不是真正(母體)的分布。換句話說,在小樣本下,GAN生成的資料是否能代表整個母體,抑或GAN只是重現了樣本的特徵,這是需要嚴肅考慮的問題。

作者 hcygeorge 發文時間 2019/06/13 按讚 0



發文時間 2019/05/29 作者 omnixri

按讚 0


影像分類、物件偵測勉強還可用資料擴增或對抗生成網路或遷移學習方法解決,但到了語義分割(像素級分類)或實例分割時,上述方法就不管用了,因為難以同步產生標註資訊,就無法訓練,要改以其它手段來完成。

以自駕車領域來說,很難一開始就叫一部車到街上轉一圈,拍了一堆影片後再回頭叫人逐一標註那些是車、道路、行人、路標等等,因為一秒有三十張影像,沒人可以一張一張標註,於是就有人以3D建模貼圖方式建立一個虛擬城市,有人有車還會動,再讓虛擬小車在街上跑,此時不僅取得足夠數量影像更能取得正確影像語義分割標註資訊。更可加入白天、晚上、風吹雨打等特殊場景,如此就有更多樣性樣本,待訓練到一定程度,再讓車子開到實際場域,再反過來收集真實世界影像比對推論結果,並修正成為新的訓練集資訊,那反複多次後就能得到理想數據集供其它模型使用。

 

 


發文時間 2019/05/29 作者 omnixri

按讚 0


在POS機視覺自動結帳系統中,較麻煩的地方是可能有數千種商品要上架,須取像進行訓練,若是盒子或罐子(圓筒)類的商品可能還好辦,掃描六面大致上就可以,但遇到像洋芋片或不規則形狀的商品就較麻煩了,因為擺放方式難以確認,有些視角還有遮蔽或陰影問題,此時就須從多視角取像建立樣本,更誇張一點有些還要動用機器手臂裝上攝影機自動拍攝多個固定視角,或者反過來機器手臂抓著商品翻轉各種角度拍照,如此才能建立足夠的資料集進行訓練。

另外還有一個更麻煩的地方,每加入一樣新商品整個資料集就要重新訓練,對於商家太不方便,較可能作法是要一口氣收集數十種新商品,一次建立資料再進行訓練,才不會浪費太多時間。目前台灣廠商創意引晴(VISCOVERY)有推出類似產品,可參考一下 https://www.viscovery.com/solution.php?id=1

今年Computex 新漢智能(Nexcobot)亦有推出類似商品

 


發文時間 2019/05/30 作者 jiajheng.yeh

按讚 0


其實若是想訓練人臉辨識、道路辨識、物體辨識等應用,在ImageNet這個世界最大的開源影像資料庫中,已提供數千萬張經人工標註的影像和2萬2千個類別,可善加利用這些資料來打造自己需要的影像辨識模型。

 

ImageNet, COCO還不夠嗎? 這裡有個網站(https://deeplearning4j.org/cn/opendata)收錄了上百個免費資料集,包括自然圖像、地理空間、人工數據、臉部圖像、視頻、文本、問答、情感、推薦和評價、網絡與圖像、語音、符號化音樂、衛生與生物、政府與統計還有其它。

作者 omnixri 發文時間 2019/05/30 按讚 0



發文時間 2019/05/30 作者 yuhsuan

按讚 0


在數據分析的世界,有句名言是"garbage in garbage out"!
十多年前曾火熱過的資料探勘(Data Mining)就因探勘不出什麼有價值的資料而歸於平淡~
現在的大數據、Deep Learning同樣遭遇類似的狀況!!!
有用又大量的資料難求啊!

 

確實如此,錯誤的資料集,或標註品質不佳的資料集都會造成訓練正確率下降或很難收歛。光靠開源免費資料集面對落地(實務)問題有時還是不夠,非得乖乖自己收集、清洗、標註才能有較好訓練結果。所以不是有巨量資料就好,而是要有極佳標註品質的巨量資料才是王道。

作者 omnixri 發文時間 2019/05/30 按讚 0


同意,不論是在工廠或醫院,哪一家不是對自家的資料保護的密不透風,想要他們拿出來做訓練學習,門都沒有!不過AIGO的解題競賽倒是個機會,看到不少單位還是想找AI專家合作,是個不錯的管道(據了解去年不少AI新創因此打入產業做實證應用)。

作者 j;6u045j6 發文時間 2019/05/31 按讚 0



發文時間 2019/06/03 作者 omnixri

按讚 0


想要更多的視覺數據集嗎?哥倫比亞大學博士馮捷在 2017 年 8 月創建了一個專用於搜索計算機視覺數據集和代碼/模型的搜索引擎 VisualData。目前共有281種包括圖像分類、目標檢測、圖像搜索、3D 重建等,有興趣的朋友可以參考下列網址https://www.visualdata.io/

更多說明可參考 "https://bangqu.com/531535.html"

 

 


發文時間 2019/06/04 作者 chuckmails

按讚 0


在資料不夠多、運算資源、時間有限的狀況下,轉移學習(Transfer learning)是很有效的方式。它能透過已經訓練好的模型,讓資料、運算的需求都大幅降低。概念上就像是站在巨人的肩膀一樣,使用訓練好的模型改裝,把pre-trained model中的最後一層改掉嫁入新的一層,用有限的資料訓練最後一層的參數。此外,資料還可以利用資料擴增(Datac augumentation)的方法倍增訓練資料,這個概念是透過影像處理的方法把照片色調、角度、對比改變,讓資料的多樣性增加,提高訓練準確度。

 


發文時間 2019/06/20 作者 june625678

按讚 0


這幾天看到台灣爆發秋行軍蟲疫情的新聞
有研究者指出「台灣在今年六月八日之前,無論是從事田間監測的學者或是生物相調查的團隊,抑或是受理農民送來的植物、昆蟲樣本,進行診斷鑑定服務的各大學和各地農業改良場,皆未發現任何秋行軍蟲蹤跡,各地的蛾科性費洛蒙誘捕器中也沒有捕獲秋行軍成蟲」
感覺也能加入這個機器學習辨識樣本的討論呢!!
當然蟲害入侵有很多外在因素需要考量,
但在辨識作業方面,如果有足夠的樣本讓機器訓練,提升辨識的精準度,應能及早發現,協助防治作業。

 

目前較困難的正是有效樣本不足,人類可輕易提取特徵(比方四個點),但要讓機器學習就至少有個幾千張照片,還要有長的很像但不是秋行軍蟲的樣本,才能得到較好的訓練成果。所以下次遇到時不要急著消滅它,要多拍一些照片提供給研究單位,這樣才能提昇機器(APP)辨識能力。

作者 omnixri 發文時間 2019/06/21 按讚 0



發文時間 2019/06/21 作者 miya850604

按讚 0


>>

 

我想推薦一本書~叫做小數據獵人。

這本書有趣的地方是他打破了我們對於「大數據」的刻板印象,

根據我從事行銷的朋友說法,

實際上的狀況是從大數據裡撈出結果很遠、很難,但從小數據裡抓點是容易且這個時代裡不怎麼被關注到的顯學!!

 

畢竟科技再怎麼發達,終究必須回歸到人的本質呀。

 

 

雖然大家都被媒體誤導有大數據就有人工智慧,殊不知目前最紅的深度學習只是在大數據中硬找出一個最佳(非線性)函數罷了,當遇到資料集過於偏頗時,自然就難以得到良好的推論結果。傳統的大數據挖礦多半是利用統計學技巧找出分群模型,解決人類很難從巨量數據中找出資料規律。而人類多半是走非監督學習,是以特徵做為分析問題,所以只需很少的資料,甚至一張影像、一段音頻就能學習並有不錯的推論結果,要達到如此程度的(強)人工智慧,可能還有好長一段路要走。 這本「小數據獵人」中提到「透過小數據觀察、結合大數據分析」,才能找到新的行銷著力點,我想這正是未來人工智慧要努力的方向。

作者 omnixri 發文時間 2019/06/21 按讚 0



發文時間 2019/06/28 作者 Chun

按讚 0


在一篇關於魚類辨識的文章中看到一段文字:「就算蒐集到合適的照片,照片中魚類的名稱也讓研究團隊很傷腦筋,陳慶瀚表示,研究團隊中多是資訊工程背景,辨識魚種的知識不足,或是「有些魚有南部、北部的名稱;研究人員也多知道學名,而不識俗名。」研究團隊後來找上海產料理店老闆,協助提供部分魚市場未販賣的魚種照片,並幫忙辨識魚種的名稱。」

除了有訓練資料不足的問題外,開發人員對於該產業的了解程度也是影像辨識過程中的一道關卡!

文章來源:>https://www.agriharvest.tw/theme_data.php?theme=article&sub_theme=article&id=3039

 

多標籤分類也是影像分類的一個重點,就如界門網目科屬種的分類問題一樣,比方說「夀司」是「食物」也可說是「米飯」那就有三種標籤,而標籤有時會有上下從屬或水平等價關係,甚至還有一物多名稱問題,這在訓練時就要納入,不然就會有分錯的可能。 另外不管是那個領域的影像分類,目前大部份都是採用監督式分類,而不是非監督分類,所以非領域專家所標註資料常會有品質不佳間接造成訓練及推論正確率下降問題產生。

作者 omnixri 發文時間 2019/06/28 按讚 0



發文時間 2019/07/01 作者 ShenWaWa

按讚 0


最近剛發現台北醫學大學推出了一個叫「痣能達人 MoleMe」的服務,他是藉由AI 分析身上的痣,協助民眾自主預防皮膚癌。

方法也非常簡單,透過 LineBot 的方式,民眾只需回答五個簡單的基本問題,並上傳一張拍攝身上痣的清晰照片,即可由 AI 判斷是否建議就診,不用特地跑去大醫院花昂貴的檢查費,非常簡單又方便。準確率更是高達九成,對於時常擔心痣的狀況的人而言非常便利!
「痣能達人 MoleMe 」是透過當前熱門的機器學習中的分支「深度學習」的影像應用,透過超過 5,000 筆的醫療影像作為基礎培訓,搭配亞馬遜 AWS 的雲端 AI 服務,使 AI 能透過照片進行分析。另外關於個人隱私問題,除了痣的照片本身較無特徵性問題外,皮智也表示這些民眾上傳的照片不會作為培訓資料庫使用,只會在影像分析資料庫暫存,不會把民眾的照片挪用。

 


發文時間 2019/07/10 作者 ying

按讚 0


先前華盛頓大學教授 Pedro Domingos 分析 1.6 萬篇論文 後表示,深度學習的發展終點將近;而約翰霍普金斯大學教授,電腦視覺技術的奠基者 Alan Yuille 也表示,深度學習正面臨三大瓶頸。

https://buzzorange.com/techorange/2019/02/12/deep-learning-bottleneck/

我在網路上找到這篇文章,希望對大家有幫助

 

我想任何技術發展都不必太過樂觀或悲觀,把它用到對的地方就夠了,不是所有問題都用深度學習技術才是好的,傳統機器學習的方法有些在小數據量上表現有時更優於深度學習。文中提到三大瓶頸「1. 需要大量標註數據,2. 過度擬合基準數據,3. 對圖像變化過度敏感」,這些問題已有大量學研人員投入改善,或許在不久將來會在半監督或無監督學習上會有重大突破,更趨近人類以特徵來分析問題而不是用成萬上億的參數來硬記。

作者 omnixri 發文時間 2019/07/11 按讚 0



發文時間 2019/05/29 作者 warehouse

按讚 0


小數據若想運用AI來發展應用,還是有解的,例如採用GAN。GAN中文譯為生成對抗網路,相較於既有的監督式深度學習架構,GAN採用非監督式深度學習架構,它由兩套神經網路組成,一套是負責生成影像的產生器(Generator),一套是負責評估生成影像真偽的鑑別器(Discriminator),這兩套神經網路互相競爭,也互相學習。一段時間後,鑑別器評斷的標準越來越高,而產生器所生成的影像也就越來越逼真,兩者同時進步。

有篇文章對GAN的形容很妙,把Generator形容成工匠,Discriminator形容成偵深:我們現在手上有真的data,工匠要做的事就是偽造出假的data,而偵探則是要分辨現在給他的data是真的還是假的,並且會給出一個回饋。工匠根據這個回饋來「訓練」他現在的工藝,也就是調整model的parameter;一旦工匠的工藝成熟到偵探分辨不出來誰真誰假,就可以說我們訓練出了一個能夠模擬真正data分布的model。

 

雖然部份樣本不足的情況有可能利用GAN解決,但如同前面所述,若使用對抗生成網路(GAN)去生成看起來很相似的樣本來滿足多數量性問題,還是會遇到沒有足夠多樣態的樣本根本無法正確訓練出GAN所需的權重,導致生成出一堆很奇怪的樣本。就像雞生蛋、蛋生雞問題,沒有正確的訓練GAN,就沒有看起來正確(有效)的樣本。另外為滿足足夠的樣本數,GAN訓練過程(時間)太過冗長又是另一項問題。

作者 omnixri 發文時間 2019/06/21 按讚 0



最新發表
疫情使企業「數位轉型」迫在眉睫,但員工身心靈都已裝備到位了嗎?
2021年全球疫情因疫苗問世漸趨和緩;台灣也正從新一波疫情高峰中逐步獲得控制,但仍不鬆懈。「數位轉型」即是企業追求長遠生存,逆勢求生的唯一手段。不只是數位工具的導入,其員工數位能力的提升及心態健康程度,更是決定企業能否在這場「防疫持久戰」致勝的關鍵! 企業的「數位轉型」不只包含了「數位化」—將實體的資訊轉成為電子化,儲存於電腦或是雲端中,加速作業效率。更重要是藉由「數位化」基礎,在營運流程、顧客體驗及商業模式等策略中,結合數位工具,提升工作效率並賦予全新的價值,增加市場競爭力。所以,擁有數位腦袋和開放態度的人才,就顯得格外重要!但對於資源不是非常多的企業(可能員工數僅百人以下),不太可能立即擴大招覽相關人才。那麼,就從既有人才上,去轉型、賦能優化吧! 如何幫助員工快速升級,符合企業「數位轉型」戰略目標? 需針對不同部門、不同專業類別的員工,制定相應的學習計畫。從具有架構化的學習開始:以員工學習體驗為導向,滿足員工碎片化學習需求,著重提升學習效率與成果,內容即時因應企業變革成與轉型訴求,在企業有限資源下達到最佳學習成果! 所以,相應教材與學習系統就須同時兼備『快速產製教材』及『穩定學習品質』兩大特性。而「AI智能影音」平台即能達到上述需求,使企業人力培訓上縮短員工訓練時程,加速應用所學,為企業在艱困時,深蹲打好基礎。 「AI智能影音」平台運用大數據、AI自然語言處理、電腦視覺技術等技術,能自動將文字匹配靜態圖與動態影音,並使平台內的影音模型藉由反覆訓練,合成出符合觀眾閱聽行為且具有品質的影音內容。平台最大優勢為,使用者只要將一段文字匯入平台,5分鐘內產出約1分到1分半的影片,不需要額外找素材,其影片的內容就是自百萬商用授權素材庫(包含靜態圖像、動態影音、背景音樂)。大幅縮短原先產製教學影片的時程,中小型企業也能因應市場變化,動態調整教學內容!不增加培訓人員與受訓人員工作負擔。 「數位轉型」是企業須即刻on上日期的專案,數位工具使用與員工賦能就是第一步。全球市場瞬息萬變,難保未來不再有意外。企業應自日常扎根,在非常時期宛如期中考般,考核過去在數位轉型上的投資,方向是否正確?是否風暴中向前挺進?收割推動轉型的豐碩果實,為企業營收再創新高峰! 點擊 看更多企業案
數位轉型時代人才職能的再進化
近年來全球資訊產業趨勢變化快速,雲端運算、物聯網、資料科學、人工智慧和5G行動通訊等尖端技術日新月異的發展應用,帶動了數位經濟的興起,並同時重塑了全球經濟結構。根據世界經濟論壇(WEF)的預測,2022年全球GDP將有六成來自數位經濟,可見數位經濟的發展對全球經濟未來趨勢影響之重大,而其影響自然也將及於人力資源市場。 產業面臨這一波數位轉型,正如當初個人電腦、網際網路的普及一樣,將會完全翻轉全球經濟、以及企業現有的商業模式。過往數位科技人才大多為資通訊及高科技產業所需求,隨著產業積極導入數位工具及人工智慧應用、企圖尋求下一波創新成長動能,各行各業展開數位科技人才爭奪,根據國家發展委員會對於臺灣未來十年人力市場之預估,數位人才將呈現大規模人力缺口。 AI取代工作 還是創造機會 科技帶來翻天覆地的影響,新興領域之人才需求不斷攀升,嶄新的商業模式、跨領域的整合應用也層出不窮。迎接新科技帶來新工作機會的同時,人才技能必須時常更新,以掌握未來世界的人力需求及工作樣態的變化。 根據臺灣經濟研究院研究報告指出,隨著人工智慧、物聯網、大數據、資訊安全等技術發展,將會為我國帶來新的人力需求;反之,設備操作、倉儲物流、行政庶務等事務性及高重複性工作,則可能因新科技而受到衝擊。然而,人類的工作真的會被AI和機器人取代嗎?國際研究暨顧問機構Gartner指出,2020年,雖然有180萬個職位被AI取代,不過同時AI也將創造230萬個工作機會,帶動整體工作機會正成長。未來的人力資源趨勢將是人工智慧結合人腦的工作型態,隨著自動化科技的引進顛覆人類在工作上所扮演角色,勞動者必須具備新的技術和能力,以因應這一波數位趨勢。 人才職能重塑 已是世代常態 各種新興科技正在重塑我們的世界,我們是否都準備好了呢?現今企業普遍面臨相當大之人才挑戰,人才競爭態勢只會越來越激烈,數位科技浪潮下,在可預見的未來,機器人或人工智慧一定會對企業人力運用造成影響,企業數位轉型已經是勢在必行的壓力,就公司而言,企業所需的人才技能隨著公司經營策略的調整均在不斷轉變中,人才需要積極主動、擁抱改變,人才所具備的技能如不隨著大環境的變動,將面臨無法與時俱進的風險、最終可能被市場淘汰。 過去用一把刷子行走職場、或是十年磨一劍的年代已經過去,單一技能很容易被潮流取代、唯有具備數位科技、跨領域專長的人才方能在瞬息萬變的職場上勝出。世界經濟論壇的報告指出,全球所有受雇員工有半數以上(54%)需要在未來三年內接受大幅度的技能重塑與提升訓練。而數位科技人才常需隨趨勢發展而更新專業能力,根據之前Gartner的一份調查,職場員工平均每三年需更新一次職務內容與數位科技專業能力。 職能再進化 先找出自己的型 在這波數位技能革命中,企業必須打造新的人才職能規格、於公司內部創造並鼓勵員工持續學習的環境和文化,同時協助員工捨棄舊技能與發展工作所需新技能。由於企業很難找到各方面條件都符合的現成人選,招募到合適的人才所需之時間已經越來越長。有越來越多的企業支持從既有的員工進行在職培訓,並轉型為數位科技人才,不僅有效降低企業招募時間與經費成本,也可以避免招募到的員工不適任無法久留的風險。越來越多的企業正在提高技能重塑的投資,在企業發展數位轉型的同時,偕同組織內的人才一起精進、重塑員工技能,及早做好職能轉型的全面準備。 然而,職能轉型並非一件容易的事情,根據108年經濟部人工智慧產業人才需求調查發現,並非所有現職員工都能成功轉型人工智慧人才,最被企業看好且轉型成功率高的人才通常已具備相當基礎(有型)、在這個基礎上進行職能轉型較容易成功;例如工程類職務(如:系統工程師、後端軟體工程師) 本身即具有程式撰寫、系統開發能力,較容易轉型為機器學習工程師及AI應用工程師等AI新興職務。而資料類職務(如:資料庫工程師、統計分析師)已具有資料庫或數據分析等基礎,亦容易轉型為資料工程師或資料分析師。而一般常見的產品經理、專案經理及行銷企劃專員等職務,已具備專案管理、產品管理、行銷推廣、跨部門溝通…等軟實力,若能再強化AI相關基礎知識,也容易轉型為AI專案經理或AI產品經理。 生命不息 學習不止 迅速和持續變化的工作性質正在改變學習與工作間的關係,當我們一直被機器追趕著學習新技能,如何能夠有效應對新世代的變遷、在數位經濟的潮流中成為未來產業所亟需的人才?在數位時代的潮流之下,新世代的人才需要透過不同管道不斷精進自我,才能持續增加自己的附加價值,而不被時代所淘汰。未來的人才唯有在終生學習、科技協作、軟技能和環境應變等四個面向深化努力,方能應對快速變遷、日新月異的產業趨勢。 在終生學習方面,除了持續學習的腳步外,在學習的方向上,也要注意學習內容與工作之融合度,以期能符合實際工作的職能需求,此外考量個人能力及人格特質做個性化的學習,也對強化自身附加價值,以及未來職涯的發展有所助益;在科技協作方面,隨著AI與自動化的興起,新的工作型態對人機協作的需求也越來越高,在人類主導的情況下,由機器提供輔助進行工作,將會成為產業從人工朝向智慧化發展過程中過渡的第一步,因此在科技協作的學習投入,將能有效幫助人才面對AI化與自動化的挑戰;軟技能是人類勝出機器的關鍵,包括溝通、思考和創意等在現今這個科技時代愈趨重要,未來人才需要培養機器所無法取代的能力,以增進自身在職場的不可取代性;在環境應變方面,由於近年來產業趨勢的變遷快速,新技術的推陳出新使得人才在適應環境變化上的需求大幅提升,未來的人才也需要像電腦持續定期更新,隨時檢視自己的技能、擁有持續重塑自己以靈活應變的能力,才能在時代的潮流中維持競爭力! 財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心 陳麗萍 組長
AI創作音樂有可能成為一種新趨勢嗎?
音樂是全世界共通的語言,大家都同樣使用12個音符,但卻能創造出各種風格的音樂。目前主打透過AI生成音樂的服務越來越多,在國外還有透過 AI 即時生成電子樂的音樂串流服務,這樣的音樂創作方式有可能會成為趨勢嗎?
到了5G時代,那麼邊緣運算會有何不同嗎?
我們都知道物聯網的概念開啟了科技應用的新視野,當越來越多元件走向微型化、智慧化,數據海嘯也隨之而來,如何讓這些裝置以最有效率的方式運作,互通有無,並發揮大數據的優勢,成了當務之急。邊緣運算便是實現運算資源佈局最佳化的關鍵途徑,不過現在有了5G的出現,對於邊緣運算會有什麼影響呢?
最近在AI資料分析常使用到的"增強分析"是什麼意思?
「增強分析」(augmented analytics)被預測為今年十大戰略趨勢,它對一般企業來說意味著什麼?對數據科學家來說影響又有多大?希望可以了解一下

熱門發表
如果提供影像辨識的訓練資料不足,AI電腦視覺技術是不是就派不上用場了?
目前深度學習很火,從醫療、零售、倉儲、工業到監控等,好像各種影像辨識都能用到,但往往在一個地方卡關,那就是沒有足夠大量且有代表性的資料提供"訓練",有沒有可能用少量資料來達成好的辨識效果呢?
【解題建議】利用OpenPose來解決骨架(姿態、行為)分析
此次出題有很多項目和姿態(行為)分析有關(如下所示),而其根本就是要先找出人的骨架,再加上時間序列來分析骨架各特徵點的位移,進而判定使用者的動作(類型)。 【華碼數位】 體適能動作與姿勢辨識:以影像分析運動者姿態。 【宸訊科技】 利用動態影像辨識技術完成對農民於田間作業之行為分類與分析並能結合AI技術、配合專家互動,持續調整分類學習精準度:從串流影像中分析農業作業姿態(行為) 。 【集思動力】 iSEM多裂肌脊椎運動AI體況分析應用:透過影像、視頻分析人體動作姿態是否滿足特定位置、角度。 【百一電子】 AI電腦視覺辨識男生/女生的情緒與動作事件 :透過視頻分析十六種動作行為。 【良品嚴選】 客戶輪廓分析與服務人員及時輔助系統:從視頻分析客戶在店面行為以提供智能零售。 【良品嚴選】 線上連結線下新零售之AI分析:從視頻中分析行銷手段是否改變消費者行為。 【艾爾塔科技】 線下零售數據消費者行為洞察與全通路數據整合:透過人流資訊分析及預測消費者行為。 【卡訊電子】 智慧教室語音與影像偵測數據AI分析:建立語音、影像辨識老師、學生行為以增進學習效益。 而在開源技術中以CMU的OpenPose最為知名,包含有身體、頭(臉部)、手等部位,有興趣的朋友可以參考一下 https://github.com/CMU-Perceptual-Computing-Lab/openpose
數據「學」無止盡!機器學習、深度學習、統計學究竟差在哪?
數據當道的現今,多少人、事、物受惠於這些龐大的數據分析和學習,但你知道機器學習、深度學習、統計學的差異是什麼嗎?
CES展上發佈的蚊子偵測器怎麼辨別這種微小差異的?
以色列新創業者Bzigo在CES展出一款室內蚊子或小型飛蟲偵測器,宣稱能夠偵測距離8公尺內的蚊子、追蹤蚊子飛行的軌跡,但蚊子很小隻且飛行速度不慢,實際可以偵測到的成效不知道如何,怎麼辨別蚊子或小型飛蟲和其他東西的差異?  
Time is money!如何讓製程最佳化、讓生產更簡單?
從網路時代到物聯網興起,工業 4.0 強調自動化與生產線聯網功能,而新一代的智慧工廠發展,則更仰賴邊際運算、AI 和數據分析。然而,究竟要如何讓製程最佳化,使得生產速度提升呢?

主題分類