ai影象識別技術的應用（AI影象識別技術原理）

德國研究團隊給出一個原因，這個原因出乎意料：人類會關注圖中物件的形狀，深度學習計算機系統所用的演算法不一樣，它會研究物件的紋理。

首先人類向演算法展示大量圖片，有的圖片有貓，有的沒有。演算法從圖片中找到“特定模式”，然後用模式來做出判斷，看看面對之前從未見過的圖片應該貼怎樣的標籤。

神經網路架構是根據人類視覺系統開發的，網路各層連線在一起，從圖片中提取抽象特點。神經網路系統通過一系列聯絡得出正確答案，不過整個處理過程十分神祕，人類往往只能在事實形成之後再解釋這個神祕的過程。研究人員修改圖片，欺騙神經網路，看看會發生什麼事。研究人員發現，即使只是小小的修改，系統也會給出完全錯誤的答案，當修改幅度很大時，系統甚至無法給圖片貼標籤。還有一些研究人員追溯網路，檢視單個神經元會對影象做出怎樣的反應，理解系統學到了什麼。

德國圖賓根大學科學家Geirhos領導的團隊採用獨特方法進行研究。去年，團隊發表報告稱，他們用特殊噪點干擾影象，給影象降級，然後用影象訓練神經網路，研究發現，如果將新影象交給系統處理，這些影象被人扭曲過（相同的扭曲），在識別扭曲影象時，系統的表現比人好。不過如果影象扭曲的方式稍有不同，神經網路就無能為力了，即使在人眼看來影象的扭曲方式並無不同，演算法也會犯錯。當你在很長的時間段內新增許多噪點，圖中物件的形狀基本不會受到影響；不過即使只是新增少量噪點，區域性位置的架構也會快速扭曲。研究人員想出一個妙招，對人類、深度學習系統處理圖片的方式進行測試。

演算法將影象分成為小塊，接下來，它不會將資訊逐步融合，變成抽象高階特徵，而是給每一小塊下一個決定，比如這塊包含自行車、那塊包含鳥。再接下來，演算法將決定集合起來，判斷圖中是什麼，比如有更多小塊包含自行車線索，所以圖中物件是自行車。演算法不會考慮小塊之間的空間關係。結果證明，在識別物件時系統的精準度很高。