热点:误把光头当足球 AI视力差不仅仅因为训练少
本篇文章1507字，读完约4分钟
近年来，人工智能发展迅速，应用行业不断发展。 但是，鉴于活跃在各行业，ai翻车的例子也被广泛搜索，这次是ai·； 开设网站。 成长的烦恼栏，聚焦于ai翻车的什么，探讨现象的解析、原因的查明、处理的途径，期待其成长。
比赛结束后，球迷要求裁判戴帽子和假发几乎没有先例。
10月末，苏格兰球迷经历了一场难忘的足球比赛。 在内华斯对埃尔联合的苏格兰足球冠军联赛中，无论选手传球还是持球进攻，都看不到场上的ai摄像头，反而不要跟着一个人剪，有时会拍c位的特写。 原来，ai照相机误认为这个裁判的光头是足球，所以疯狂地追了。
在家看这90分钟比赛的球迷大部分时间都围着头而不是看球。 很多网友对这场比赛真的很寂寞。
为什么ai相机的头看起来像足球？ 为了避免ai犯同样的错误，我们需要做什么？ 发生了翻车，你觉得ai弱爆了吗？
来自和尚审判的无意识挑衅
从直接参加体育比赛到记录选手的表现，到现场直播，分解选手的健康状况，ai成为体育界的宠儿。 几个月前，FC巴塞罗那(巴萨)与视频技术企业pixellot合作，制定了人工智能教练的处理方案。
体育界高唱的ai，意外地一边剪着头一边遭遇无意识的挑衅。 这个侧剪头太亮了，阳光照射，所以ai照相机完全不知道哪个是球，哪个是头。 到目前为止，因弗内斯团队宣布，他们采用的ai跟踪技术将直播画面清楚地传输到每个季节的购票人家里，使疫情因新冠肺炎而不能去主网站的球迷可以进行什么比赛。
据说这次比赛转播采用的照相机是与巴萨合作的像素批次提供的多照相机系统。 该系统由英伟达图形解决方案( nvidia gpu )提供动力支持，捕获的视频分辨率达到8k。 这些照相机可以安装在固定位置，而无需照相机操作员操作。 像素批次用于收集数十万小时的运动视频以捕捉关键时刻的画面，并在当地办事处的nvidia gpu上训练算法。
具有大量可用数据，采用深度学习算法，除了高性能gpu计算外，还具备使ai前进的三个动力。 pixellot的这个ai摄像头为什么翻车了呢？
活动结束后，相关俱乐部和制造照相机的技术企业进行了反省，足球的大小、形状和人头几乎一样，阳光直射似乎让ai照相机迷路了。 炉队回答说知道问题，为了改善下一场比赛，给观众更好的体验，希望这样的事情不会发生。
pixellot企业也说处理这个问题不难。 现在的目标检测和跟踪技术比较成熟，pixellot在设计阶段没有考虑光头的影响，需要稍微收集足球和光头的数据来微调算法，排除来自光头的干扰。
技术人员表示，训练直播ai摄像机时需要的不仅是球数据集，还不是球数据集。 和尚头，足够明亮的白色鞋子，灯光，竞技场旁边的训练场球，选手用来取暖的球，是训练ai时应该考虑的干扰因素。
ai视力不好是常态
专家认为，通过增加 数据供应量，加强训练和改进算法，可以改善ai摄像机的性能，但随着ai的应用场景的扩大，这种翻车会长时间存在。
ai&lsquo； 翻车是常态，&lsquo； 翻车很奇怪。 北京大学新闻科学技术学院教授、北京智源人工智能研究院院长黄铁军在接受科技日报记者采访时坦率地说。
黄铁军认为，表面上这次ai摄像头的错误可能是前期训练不足，最重要的原因是现在的计算机识别系统还在用特定的数据训练。 例如，在上述例子中，采用大量足球视频训练的神经网络在认识足球方面超过了人类，但忽略了这个互联网。
普遍存在着乱识别或看不见从未见过的对象的问题。
机器视觉通过给机器提供视觉感知，使其具有与生物视觉系统相似的场景感知能力，与光学成像、图像解决、分解和识别、执行等多个构成要素有关。
照相机为&lsquo； 眼睛在现实场景中，为了让ai像人眼一样识别足球和光头，还有很长的路要走。 黄铁军说。
什么时候走这条路，ai的眼睛甚至能超过人眼？
这取决于机器视觉什么时候填补与生物视觉的差距。 头骨中的大脑通过300多万根神经纤维实时感知外部世界，其中每只眼睛后面都有100多万根神经纤维。 黄铁军说，到今天为止迅速发展的机器视觉，与消耗亿年进化的生物视觉系统相比，还是有小巫婆看到大巫婆。
人眼适应性强，能够在多而复杂变化的环境中识别目标，具有高度的智能，能够使用逻辑分解、推理能力识别变化中的目标，总结规则。 反观机器的视觉可以利用人工智能神经网络技术，但不能很好地识别变化的目标，受硬件条件的制约，现在的通常的图像收集系统颜色分辨率很差。
人工智能视觉神经网络与生物视觉神经网络相比，结构、规模非常远，因此功能也相当差。 黄铁军表示，在现实应用中，机器视觉&lsquo； 翻车不是偶然的事件，把杆头识别为足球是案例，类似的问题实际上存在很多。
黄铁军说，这次技术提供者可以误认为磁头是足球的脆弱性，但有越来越多的脆弱性，在抗性图像训练中欺骗面部识别系统的只有机器视觉不足的冰山一角。
不同的技术路线在赛跑
基于深度学习的机器视觉在图像识别等方面取得了很大的进展，但没有真正处理感知问题。 黄铁军认为深度学习远远没有调动人类视觉系统的多样性。
深度学习基于图像和视频大数据的训练，与能动地感知动态世界的生物视觉相距甚远，还没有脱离计算能力的诉求。 例如，如果将视频帧率从30提高到3万，则需要将深度学习的计算能力提高到1000倍。
另一方面，生物神经网络是脉冲神经网络，适用于视觉新闻的解决。 黄铁军认为，借鉴生物视觉系统的神经网络结构和新闻加工机制，建立新的类脑视觉新闻解决理论和技术，是重启机器视觉的希望。
专家表示，人工机械的视觉迅速发展，目前有两条主要的技术路线。 一是收集越来越多的数据，增加数据量，提高训练力，建立强大的智能系统。 二是模仿生物神经系统，沿着葫芦画葫芦，在明确生物神经系统的结构和机制的基础上，迅速发展未来的智能。
黄铁军认为第二条路径比第一条路径有效。 在短时间内看，第一条更容易取得成果。 但是，从长期来看，从生物神经网络更直接，实现目标也更有自信。
现在，ai学界大多支持通过第一条路径，即大数据+大计算能力的方法，迅速发展包括机器视觉在内的人工智能。 黄铁军之所以踏上少数人去的道路是因为相信生物视觉神经网络有巨大的潜力。 生物的大脑是亿万年进化的产物，是最好的先验结构。 强大的智能必须依靠很多杂乱的结构，站在进化的肩膀上，看起来很难，其实是最快的。
计算机科学之父图灵早就表达了对生物大脑的崇敬。 1943年初，香农建议把文化东西教电子脑。 图灵有一次在大庭广众之下反驳。 不，我对制造强大的大脑没兴趣。 我想要的是普通的大脑，和美国电报电话企业会长脑袋瓜一样。
机器的视觉迅速发展，是人工智能，是重新炉子，还是模仿生物神经网络，还是有别的方法？ 还没有定论。 不同课程的人工智能在加速。
翻车的例子不少，比如谷歌ai眼部疾病诊断系统的实用性在泰国与预期相差甚远，腾讯ai翻译在年博鳃论坛上开玩笑。 但是ai时代正在加速，势不可挡。
确实处理了很多现实问题，必须承认逐步替代人的一部分功能。 但是，不要太夸张了。 离我们想象的智能还不够，需要越来越突破。 黄铁军说，保持开放的思维，跨越实验模拟与现实世界的差距，ai技术将迅速发展。
标题：热点:误把光头当足球 AI视力差不仅仅因为训练少 地址：http://www.leixj.com/gy/2021/0409/47187.html
