论文部分内容阅读
摘 要：人工智能技术的出现，给我们的生活带来了翻天覆地的变化。人工智能使用计算机模仿人类的智能行为，深度学习是人工智能的最新发展。本文讨论了人工智能深度学习的概念，并对其进行简析；分析了计算机视觉技术的应用以及未来展望。即使人工智能技术已经取得了很大的成就，但是仍面临着很多挑战。未来人工智能技术的发展前景十分美好，需要进一步的研究与创新。
关键词：人工智能技术 深度学习 计算机视觉技术
1.引言
科技的飞速发展使得我们的生活日新月异，人类的生活从传统的模式已经有了翻天覆地的变化。人工智能领域的发展势头十分迅猛，即使人工智能的发展研究仍然是处于起步的初期阶段，但是仅仅是人工智能的出现，便给人类的传统思维带来了极大的挑战和颠覆。人类的生活方式、学习方式以及工作方式都在被人工智能改变。人工智能使用计算机来模仿人类的智能行为，仿照着人类的大脑的神经网络来促使计算机从数据中汲取信息和命令，甚至是从数据中进行监督性的或者是非监督性的学习行为。
人工智能的发展从初期的浅层神经网络演变至高度的智慧程度。早在1955年，第一个AI程序“Logic Theorist”诞生了。1957年，美国的一位计算机科学家提出了感知概念，这种概念就是最早的人工神经网络模型。人工智能的历史发展经历了以下几种阶段：二十世纪四十年代，首个神经网络数字模型的诞生—二十世纪五十年代，AI发展史的里程碑：第一个人工智能程序的诞生—二十世纪六十年代，浅层神经网络的提出—二十世纪六十年代至七十年代，人工智能的反向传播—1974至1980年度，首次人工智能寒流—二十世纪八十年代，卷积概念的提出—1987至1993年度，第二次人工智能寒流—二十世纪九十年代，人工智能无监督学习技术诞生—二十世纪九十年代至二十一世纪，人工智能无监督学习的发展。
例如，AlphaGo的出现使人类对人工智能有了新的认知，让我们不得不重视并且重新审视人工智能的存在，并且也颠覆了我们传统意义上的科技水平，也证明了人工智能存在的巨大潜力。
2.人工智能深度学习技术
人工智能分为两种：弱人工智能以及强人工智能。深度学习是人工智能的最新发展，是人工智能的一个学习技术的方向，并且人工智能深度学习在2013年被称为十大突破性技术之一，也是强人工智能实现的一个突破口。在不断的发展研究中，有些技术学者在机器学习的基础上提出了多层神经网络，即采用了分层的结构，利用无监督的学习方法对各个网络进行误差训练和逐层训练。人工智能深度学习已经在一些领域展开了应用。如脑型芯片的应用：人工智能深度学习的脑型芯片采用了对连续的模拟信号直接处理的方式，来对大量的数据进行深度学习；语音识别的应用：通过对神经网络处理音素进行识别，当人工智能深度学习引入之后，信息的识别错误率降低了许多。人工智能深度学习对训练误差和人类误差以及测试集误差值之间的处理探究仍然处在研究阶段。深度学习是基于有教学值得监督学习和无教学值得无监督学习算法的一个结构，并且深度学习随着神经网络的不断开发处于飞速的进展当中。
3.人工智能学习比拟人类视力
卷积神经网络CNN系统促使人工智能深度学习网络得到了大幅度的发展。这种技术能够比拟人类视力，它能够分辨出动物图像，人类能够很轻易地分辨各种动物，但是卷积神经网络系统能够比人类视力分辨地更加精确，这是得益于CNN系统具有深度学习的能力。CNN系统不仅能够从微妙的事物中反思推理。还能够进行进一步的对比推断，分辨出图像的类型。与计算机技术结合的卷积神经网络技术系统深度学习具有很多功能，通过识别路上的行人，能够制造出安全性能较强的自动行驶的汽车等，此外还能够应用于现代医学领域。
人工智能作为计算机科学与技术的一个重要分支，产生除了一种全新的、能夠以人类智能高度相似的方式作出反应的智能型机器设备，其中机器人、图像识别、语言识别等都包含在内。人工智能作为人类智慧的一种承装容器，可以对人类的智慧进行模拟。
4.简析计算机视觉技术
人类的视觉特点驱动着学者们试图通过传感器以及计算机的软件或者硬件来实现人类对于三维世界图像的分辨采集功能做出模拟。在二十世纪后期，计算机视觉技术CV问世并不断的发展壮大。CV技术的应用十分广泛，例如在医学影响分析、数字图像检索管理和人机交互以及智能安检等领域。计算机视觉技术是人工智能技术的重要组成部分，也是当 前研究的前沿。CV 技术的主要关注点在于：如何能够利用传感器提供的原始数据，并且基于不同领域的应用，尽量准确并完善地描述出来原始数据中可能蕴含的可供计算机进行识别的视觉信息，并由此建立出相应的数学模型。例如，双目立体视觉系统和运动重建系统以及目标跟踪系统等等。CV技术虽然已经取得了相当大的成就，但是相对于人类的视觉系统来说，还是相当粗略的。在自然环境中，CV系统对动物的识别远远不及人脸识别；在实际环境当中，由于约束条件较小，所以人体姿势以及人体面部的表情识别都会因为环境阴影的不同，而存在这不同程度的失效性。对于现实世界的复杂情况，基于概率论以及数理统计的数学模型，则是比较适用于解决问题的理论基础，目前而言，CV技术便是以此作为支撑工具，普遍采用各种各样的统计模型以及机器学习算法。CV系统一般化为三个层次：图像数据层、图像特征描述层以及知识获取层。这三个层次没有绝对的分界线，他们的理论支撑相互渗透，形成了目前广泛被应用的计算机视觉系统的框架。
通过对以上所述的计算机视觉技术的发展历史以及简要分析，我们能够推测出今后的计算机视觉技术的发展方向和未来展望。虽然计算机视觉技术是一门新兴的科学技术，但是其应用前景十分美好。在特殊的领域如医疗、刑侦等当中，能够发挥重要的作用。但是，这些领域对于计算机视觉技术的要求也非常高，这就要求这计算机视觉技术要迎接更多的挑战并克服遇到的难题。
综上所述，人工智能技术的飞速发展改变了人类的生活，高科技已经与我们的社会相融合。计算机视觉技术也被期待于在各种领域当中应用，现代社会离不开计算机人工智能技术，其未来的发展前景十分广阔。
参考文献：
[1] 国务院印发《新一代人工智能发展规划》[J]. 中国信息化 ， 2017， （08）： 12-13.
[2] “乌镇指数”展示全球人工智能发展态势中国或弯道超车 [J]. 今日科技 ，2016（11）： 24.
[3] 王莹 . 人工智能的进展及发展建议 [J]. 电子产品世界 ， 2017（C1）： 23-26.
[4] 贺倩 . 人工智能技术在移动互联网发展中的应用 [J]. 电信网技术 ， 2017（2）： 1-4.
作者简介：
李瀚捷（1997.08.20-）男，汉族，黑龙江省七台河市，身份证号：230903199708201417，本科生，研究方向：电子信息科学与技术
关键词：人工智能技术 深度学习 计算机视觉技术
1.引言
科技的飞速发展使得我们的生活日新月异，人类的生活从传统的模式已经有了翻天覆地的变化。人工智能领域的发展势头十分迅猛，即使人工智能的发展研究仍然是处于起步的初期阶段，但是仅仅是人工智能的出现，便给人类的传统思维带来了极大的挑战和颠覆。人类的生活方式、学习方式以及工作方式都在被人工智能改变。人工智能使用计算机来模仿人类的智能行为，仿照着人类的大脑的神经网络来促使计算机从数据中汲取信息和命令，甚至是从数据中进行监督性的或者是非监督性的学习行为。
人工智能的发展从初期的浅层神经网络演变至高度的智慧程度。早在1955年，第一个AI程序“Logic Theorist”诞生了。1957年，美国的一位计算机科学家提出了感知概念，这种概念就是最早的人工神经网络模型。人工智能的历史发展经历了以下几种阶段：二十世纪四十年代，首个神经网络数字模型的诞生—二十世纪五十年代，AI发展史的里程碑：第一个人工智能程序的诞生—二十世纪六十年代，浅层神经网络的提出—二十世纪六十年代至七十年代，人工智能的反向传播—1974至1980年度，首次人工智能寒流—二十世纪八十年代，卷积概念的提出—1987至1993年度，第二次人工智能寒流—二十世纪九十年代，人工智能无监督学习技术诞生—二十世纪九十年代至二十一世纪，人工智能无监督学习的发展。
例如，AlphaGo的出现使人类对人工智能有了新的认知，让我们不得不重视并且重新审视人工智能的存在，并且也颠覆了我们传统意义上的科技水平，也证明了人工智能存在的巨大潜力。
2.人工智能深度学习技术
人工智能分为两种：弱人工智能以及强人工智能。深度学习是人工智能的最新发展，是人工智能的一个学习技术的方向，并且人工智能深度学习在2013年被称为十大突破性技术之一，也是强人工智能实现的一个突破口。在不断的发展研究中，有些技术学者在机器学习的基础上提出了多层神经网络，即采用了分层的结构，利用无监督的学习方法对各个网络进行误差训练和逐层训练。人工智能深度学习已经在一些领域展开了应用。如脑型芯片的应用：人工智能深度学习的脑型芯片采用了对连续的模拟信号直接处理的方式，来对大量的数据进行深度学习；语音识别的应用：通过对神经网络处理音素进行识别，当人工智能深度学习引入之后，信息的识别错误率降低了许多。人工智能深度学习对训练误差和人类误差以及测试集误差值之间的处理探究仍然处在研究阶段。深度学习是基于有教学值得监督学习和无教学值得无监督学习算法的一个结构，并且深度学习随着神经网络的不断开发处于飞速的进展当中。
3.人工智能学习比拟人类视力
卷积神经网络CNN系统促使人工智能深度学习网络得到了大幅度的发展。这种技术能够比拟人类视力，它能够分辨出动物图像，人类能够很轻易地分辨各种动物，但是卷积神经网络系统能够比人类视力分辨地更加精确，这是得益于CNN系统具有深度学习的能力。CNN系统不仅能够从微妙的事物中反思推理。还能够进行进一步的对比推断，分辨出图像的类型。与计算机技术结合的卷积神经网络技术系统深度学习具有很多功能，通过识别路上的行人，能够制造出安全性能较强的自动行驶的汽车等，此外还能够应用于现代医学领域。
人工智能作为计算机科学与技术的一个重要分支，产生除了一种全新的、能夠以人类智能高度相似的方式作出反应的智能型机器设备，其中机器人、图像识别、语言识别等都包含在内。人工智能作为人类智慧的一种承装容器，可以对人类的智慧进行模拟。
4.简析计算机视觉技术
人类的视觉特点驱动着学者们试图通过传感器以及计算机的软件或者硬件来实现人类对于三维世界图像的分辨采集功能做出模拟。在二十世纪后期，计算机视觉技术CV问世并不断的发展壮大。CV技术的应用十分广泛，例如在医学影响分析、数字图像检索管理和人机交互以及智能安检等领域。计算机视觉技术是人工智能技术的重要组成部分，也是当 前研究的前沿。CV 技术的主要关注点在于：如何能够利用传感器提供的原始数据，并且基于不同领域的应用，尽量准确并完善地描述出来原始数据中可能蕴含的可供计算机进行识别的视觉信息，并由此建立出相应的数学模型。例如，双目立体视觉系统和运动重建系统以及目标跟踪系统等等。CV技术虽然已经取得了相当大的成就，但是相对于人类的视觉系统来说，还是相当粗略的。在自然环境中，CV系统对动物的识别远远不及人脸识别；在实际环境当中，由于约束条件较小，所以人体姿势以及人体面部的表情识别都会因为环境阴影的不同，而存在这不同程度的失效性。对于现实世界的复杂情况，基于概率论以及数理统计的数学模型，则是比较适用于解决问题的理论基础，目前而言，CV技术便是以此作为支撑工具，普遍采用各种各样的统计模型以及机器学习算法。CV系统一般化为三个层次：图像数据层、图像特征描述层以及知识获取层。这三个层次没有绝对的分界线，他们的理论支撑相互渗透，形成了目前广泛被应用的计算机视觉系统的框架。
通过对以上所述的计算机视觉技术的发展历史以及简要分析，我们能够推测出今后的计算机视觉技术的发展方向和未来展望。虽然计算机视觉技术是一门新兴的科学技术，但是其应用前景十分美好。在特殊的领域如医疗、刑侦等当中，能够发挥重要的作用。但是，这些领域对于计算机视觉技术的要求也非常高，这就要求这计算机视觉技术要迎接更多的挑战并克服遇到的难题。
综上所述，人工智能技术的飞速发展改变了人类的生活，高科技已经与我们的社会相融合。计算机视觉技术也被期待于在各种领域当中应用，现代社会离不开计算机人工智能技术，其未来的发展前景十分广阔。
参考文献：
[1] 国务院印发《新一代人工智能发展规划》[J]. 中国信息化 ， 2017， （08）： 12-13.
[2] “乌镇指数”展示全球人工智能发展态势中国或弯道超车 [J]. 今日科技 ，2016（11）： 24.
[3] 王莹 . 人工智能的进展及发展建议 [J]. 电子产品世界 ， 2017（C1）： 23-26.
[4] 贺倩 . 人工智能技术在移动互联网发展中的应用 [J]. 电信网技术 ， 2017（2）： 1-4.
作者简介：
李瀚捷（1997.08.20-）男，汉族，黑龙江省七台河市，身份证号：230903199708201417，本科生，研究方向：电子信息科学与技术