• 最新新闻
  • 专访乐视控股集团创始人贾跃亭:外界最关心的这十个问题 给AI打工的人再一次失业 为何东南亚比美国更容易出现“超级应用”?_IT新闻_博客园 Unity开发者大会首日,跟VR有关的全在这里 专访乐视控股集团创始人贾跃亭:外界最关心的这十个问题 Unity开发者大会首日,跟VR有关的全在这里 简直武装到牙齿 本田申请变色车窗专利 “靠脸走遍天下”的时代真的来临了吗? 简直武装到牙齿 本田申请变色车窗专利 简直武装到牙齿 本田申请变色车窗专利 专访乐视控股集团创始人贾跃亭:外界最关心的这十个问题 网上网赌网站审核维护不给提现怎么拿回损失? 为何东南亚比美国更容易出现“超级应用”?_IT新闻_博客园
  • 推荐新闻
  • 专访乐视控股集团创始人贾跃亭:外界最关心的这十个问题 给AI打工的人再一次失业 为何东南亚比美国更容易出现“超级应用”?_IT新闻_博客园 Unity开发者大会首日,跟VR有关的全在这里 专访乐视控股集团创始人贾跃亭:外界最关心的这十个问题 Unity开发者大会首日,跟VR有关的全在这里 简直武装到牙齿 本田申请变色车窗专利 “靠脸走遍天下”的时代真的来临了吗? 简直武装到牙齿 本田申请变色车窗专利 简直武装到牙齿 本田申请变色车窗专利 专访乐视控股集团创始人贾跃亭:外界最关心的这十个问题 网上网赌网站审核维护不给提现怎么拿回损失? 为何东南亚比美国更容易出现“超级应用”?_IT新闻_博客园
  • 热门标签
  • 日期归档
  • 给AI打工的人再一次失业

    来源:www.honkerbase.com 发布时间:2019-09-06

    您可能已经听说过,在河南的农村地区,在非洲的城市,您无法想象的每个地方都有大量的数据标签。

    他们手动将每个花瓶和每辆车都装在图片中,并标上“花瓶”和“汽车”。过了一会儿,这些人打包了成千上万张带标签的图片,并将它们发送到北京,上海甚至旧金山的AI公司。

    GQ将这些人称为《那些给人工智能打工的人》。

    人工智能发展迅速,互联网技术公司,无论大小,都进行了研究和商业化。然而,训练可用的AI需要大量精确标记的图片,视频等。

    正因为如此,市场对数据标签的需求如此之大,以至于它吸引了“为AI工作的人”加入,并且有许多闲置的人找不到工作。毕竟,这个工作只需要移动鼠标,不需要太多的知识。

    但是,我担心这些人很快就会失业。

    上周,来自约翰霍普金斯大学,斯坦福大学和谷歌的专家联合发表了一篇关于他们使用神经网络自动搜索神经网络,投资图像分割并取得重要成果的论文。进展:

    研究人员使用神经结构Seartch(NAS)技术设计了一种神经结构(A),使其能够自动搜索/设计一种新的神经结构(B)进行语义图像分割。在使命中。

    研究人员发现,自动搜索的神经结构B在没有主流小规模图像数据集培训的情况下直接使用,其性能优于现有的人工设计的预训练模型。

    在过去,人们一直认为设计AI需要大量的知识和经验,简而言之,人们需要设计它。

    但是现在AI设计的AI比人们设计的人工智能强。

    该论文的标题是:Auto-DeepLab:层次神经架构搜索语义图像分割

    研究人员将Auto-DeepLab命名为一种自动搜索(设计)神经结构的技术。该名称来自DeepLab,这是由Google手动开发的图像语义分割技术。之前添加了Auto,这意味着在DeepLab的基础上,新技术可以实现很大程度的自动化。

    其中两位来自约翰霍普金斯大学。第一作者是Chenxi Liu,他曾在谷歌实习。四个来自谷歌。剩下的一个来自斯坦福大学,前Google首席科学家,以及李菲菲教授,他在计算机视觉学术界和工业界都很有名。

    “符合AutoML(编者注:Google主导的AI计划,算法选择自动化,模型超参数调整,迭代建模和模型评估等)。随着人工智能普及的精神,人们对神经自动设计的兴趣不依赖专家经验和知识的网络架构显着增加。作者提到。

    Auto-DeepLab在“AI Auto Design AI”中有几个重要的新尝试。

    首先,神经结构搜索NAS技术是AI领域的新兴物种,主要用于简单的图像分类。在本文中,研究人员首次尝试将NAS纳入高密度图像预测任务(即更复杂的高分辨率图像的语义分割,例如Cityscapes City Street View数据集,PASCAL VOC 2012和ADE20K等) 。数据集)。

    其次,计算机视觉领域的神经网络结构通常分为内层和外层两层。自动神经结构设计只能设计内层,外层仍然需要人们设计和调整。 Auto-DeepLab是第一次尝试让AI掌握外部设计和调整功能,并在图像语义分割任务中获得出色的结果。

    六个词“图像语义分割”听起来有点草率,事实上,很好理解:为图片划分几个类别,然后对所有像素进行分类。

    例如,下面的图片可以很容易地分为三类。图像语义分割的任务是确定每个像素是属于人,自行车还是背景。

    需要明确的是,图像语义分割的任务纯粹是为了确定像素属于哪个类别,并且它不能识别和区分独立对象。

    然而,图像语义分割仍然具有重要意义,例如可以用于手机摄影的“肖像模式”。通过更好的图像语义分割技术,手机可以识别属于人或背景的更高精度照片中的每个像素。

    目前,谷歌,小米等公司正在使用这项技术上的手机照片。理论上,未来的“肖像模型”可以在头发和衣服的边缘获得更好的效果。

    在自动驾驶的场景中,神经网络需要判断汽车,行人或建筑物是否在前方,并采取不同的策略来避免。这也需要图像语义分割奠定基础。

    从论文的效果来看,Auto-DeepLab也可以转移到其他任务中。这意味着让AI自动设计AI,可能会有很多想象力。

    例如,作者在论文的最后提到,他们可以继续在当前研究框架内研究对象识别的方向。

    如果你可以实现类似的结果,大规模使用,也许一天,在数据注释(特别是图像注释)的情况下,人类贴标者的成本也可能会消失。

    如果人工智能可以用于人工智能,那么工作比人们更有效.

    “那些为人工智能工作的人将失去工作?

    友情链接: