图像识别市场前景（图像识别十一）

图像分类识别的深度学习研究在近几年一直快速发展，已经有各种算法运用在图像识别上，其表现甚至超越了人类的表现，但也仍然存在很多挑战。

目前，大多数用于计算机视觉任务深度学习方法都是有监督学习。这意味着我们需要大量标记的训练数据。大多数情况下，当一个企业想为自己的特定应用程序应用图像分类网络时，他们必须使用迁移学习来微调预先训练好的ImageNet网络，这个数据过程很繁琐，研究人员也都在努力解决这一问题，例如半监督学习和一次性学习等方法，越来越多由有监督学习向无监督学习转变的研究正在进行，这也是一个很大的挑战。

深度学习的进步很多是基于硬件进步，特别是GPU的改进所推动的。 GPU支撑了深度学习所需要的大量的矩阵运算。许多很先进的网络，只能在高端GPU上才能勉强运行。移动设备是一个巨大的市场，怎么服务于这个市场是很重要的。此外，随着网络越来越深，往往需要更多的内存，如何能够减少内存加快处理速度也是一个挑战。

许多科技巨头也开始了在图像识别和人工智能领域的布局，Facebook签下的人工智能专家Yann LeCun最重大的成就就是在图像识别领域，其提出的LeNet为代表的卷积神经网络，在应用到各种不同的图像识别任务时都取得了不错效果，被认为是通用图像识别系统的代表之一；Google 借助模拟神经网络“DistBelief”通过对数百万份YouTube 视频的学习自行掌握了猫的关键特征，这是机器在没有人帮助的情况下自己读懂了猫的概念。而且，负责这个项目的Andrew NG已经转投百度领导百度研究院，其一个重要的研究方向就是人工智能和图像识别。这也能看出国内科技公司对图像识别技术以及人工智能技术的重视程度。

图像识别技术，连接着机器和这个一无所知的世界，帮助它越发了解这个世界，并最终代替我们完成更多的任务，不仅带动了经济发展，而且保障了人们的财产安全。人工智能前景不可限量，图像识别作为AI技术的支撑，是一种强有力的识别方式，随着AI在场景上的深入，图像识别应用领域会越来越广。

喜欢本文的话，欢迎关注活在信息时代哦：）