該子AI系統(tǒng)或許將來我們能夠在谷歌的自動(dòng)駕駛系統(tǒng)中看見。

此前，谷歌曾推出一個(gè)AI系統(tǒng)“AutoML（自動(dòng)機(jī)器學(xué)習(xí)）”，目的是通過訓(xùn)練AI讓其能夠自主創(chuàng)建其他AI系統(tǒng)。目前，AutoML已經(jīng)研發(fā)出了一個(gè)計(jì)算機(jī)視覺系統(tǒng)，而事實(shí)證明，這套系統(tǒng)的性能遠(yuǎn)遠(yuǎn)領(lǐng)先于其他最先進(jìn)的模型智能系統(tǒng)。

圖：NASNet架構(gòu)由兩種類型的層組成：正常層（左側(cè)）和縮小層（右側(cè)）。

在此次實(shí)驗(yàn)中，研究人員讓AutoML所創(chuàng)建的子AI網(wǎng)絡(luò)NASNet完成對(duì)錄像中人物、汽車、交通信號(hào)燈、手提包和背包等物體的實(shí)時(shí)識(shí)別。

谷歌研究員稱，ImageNet圖像分類和COCO物體檢測(cè)數(shù)據(jù)集為“計(jì)算機(jī)視覺領(lǐng)域公認(rèn)的兩大深度學(xué)習(xí)數(shù)據(jù)集”?；谶@兩大數(shù)據(jù)集上進(jìn)行測(cè)試時(shí)，NASNet的表現(xiàn)完勝所有其他視覺系統(tǒng)。

具體數(shù)據(jù)上，在預(yù)測(cè)ImageNet驗(yàn)證集上的圖像準(zhǔn)確率時(shí)，NASNet為82.7％。其平均精確度（mAP）為43.1％，超過先前公布的最高紀(jì)錄1.2％，系統(tǒng)效率也提高了4％。此外，在計(jì)算水平上，精確度較低的NASNet也要比尺寸相近的最高配移動(dòng)平臺(tái)高出3.1％。

以往，我們訓(xùn)練AI算法的時(shí)候，海量數(shù)據(jù)的訓(xùn)練是必不可少的，而這也就相對(duì)花去了大量的精力和時(shí)間成本?，F(xiàn)在，谷歌研發(fā)出能夠自己研發(fā)算法的AI系統(tǒng)，這對(duì)于AI發(fā)展的進(jìn)程可以說是一個(gè)具備里程碑意義的事件。

對(duì)于NASNet的應(yīng)用方向，谷歌研究人員表示，該算法可用于創(chuàng)造先進(jìn)的人工智能機(jī)器人，或幫助患者恢復(fù)視力。此外，還能幫助設(shè)計(jì)師優(yōu)化自動(dòng)駕駛技術(shù)。增強(qiáng)識(shí)別道路障礙物的能力可提升車輛的反應(yīng)速度，自動(dòng)駕駛汽車的安全性也相應(yīng)提高。

與此同時(shí)，谷歌研究人員已經(jīng)NASNet開發(fā)了開源系統(tǒng)，時(shí)期進(jìn)行圖像分類和探測(cè)物體。“我們希望基于這些模型，建立更大規(guī)模的機(jī)器學(xué)習(xí)系統(tǒng)，以解決未來可能會(huì)出現(xiàn)的大量計(jì)算機(jī)視覺難題。”研究人員在博文中表示。

從當(dāng)前的進(jìn)程來看，NASNet在計(jì)算機(jī)視覺的前路還是相當(dāng)順利的，或許我們?cè)谖磥砟芸匆娝墓雀璧淖詣?dòng)駕駛系統(tǒng)中出現(xiàn)。此外，繼NASNet的成功之后，AutoML不知道什么時(shí)候能夠創(chuàng)建第二個(gè)子AI系統(tǒng)，有點(diǎn)令人期待。

最后，記得關(guān)注微信公眾號(hào)：鎂客網(wǎng)（im2maker），更多干貨在等你！