人工智能新系统可凭步态识人;Adobe 新算法令P图以假乱真 | 一周 AI 新闻


 发展 | 人工智能新系统可凭步态识人 

“身份识别技术越来越完善,意味着犯罪成本也将越来越高。”

英国和西班牙研究人员开发出一套人工智能系统,它可以辨别步态,进而识别身份。测试显示准确率达到99.3%。

同指纹和视网膜一样,步态也是每个人所独有的。“人步行时大约有24个不同因素和动作,监测这些动作因而可以识别一个人的身份。”科研人员借助地板传感器和高分辨率摄像头收集127人的近2万个脚步信号,建立数据库并开发出计算机模型,用于凭借生物特征识人。

在机场安全检查、工作场所和家庭环境的实测结果都显示这套系统识别身份的准确率极高。这一技术也可应用于医疗系统,帮助医生发现认知衰退或心理疾病患者。

原文链接:

http://www.xinhuanet.com/world/2018-05/31/c_129883565.htm

 黑科技 | 抠图不再麻烦 

Adobe 新算法让 P 图以假乱真

“换脸也毫无违和感。”

Adobe 新发布了一项科研成果,使 AI 能学到像艺术风格这样的高级能力,轻松将一幅图像转换成我们想要的风格。这项功能可以将图画中的某个素材,无缝粘贴融合到另外一幅作品中,看起来毫无违和感。


通过深度神经网络技术,可以转换图片风格,但是保留图片内容。为了适应抽象艺术和绘画类型的多样性,该算法根据绘画作品本身来调整迁移的参数

从技术角度而言,传统的图片合成看起来质量不高,画面生硬,像是拼贴画。而论文中使用的算法确保了风格迁移过程中,空间和跨规模的数据一致性,使人们可以进行富有创意的绘画编辑。大部分用户觉得大部分图片经新技术处理后更好看了。

原文链接:

https://www.leiphone.com/news/201805/KCEviCYROvYdcZC2.html

论文地址:

https://arxiv.org/pdf/1804.03189.pdf

 医疗 | 人工智能已能识别隐形心脏病患者 

“AI 与医疗结合的趋势已锐不可当。”

人工智能在医疗保健中发挥着越来越大的作用,从发现糖尿病和检查医学扫描到完全取代医生。现在,它能够识别传统诊断工具无法做到的危及生命的情况。AliveCor 公司利用机器学习识别长 QT 综合征(LQTS)患者,而这种情况诊断非常困难。

QT 间隔是 Q 波开始和心脏电循环中 T 波结束之间的时间的量度,基本上是心脏在心跳之间重新充电所需的时间长度。LQTS 意味着心脏需要比正常时间更长的时间来补充能量,并可能导致癫痫发作,心悸甚至死亡。

然而,AliveCor 现在提出的研究表明,深度神经网络 AI 可以成功识别 LQTS 患者。数据显示81%的特异性、73%的灵敏度和79%的总体准确性。

原文链接:

《人工智能已经能识别隐形心脏病患者》

 新型消防排烟灭火机器人,图片来自人民网

 安防 | AI 助力消防 

 杭州新型消防机器人交付使用 

“安防行业刮起 AI 风。”

5月28日,杭州首批特种消防机器人正式交付消防部队,意味着杭州的消防进入人工智能时代。

此次交付的特种机器人包括新型消防排烟灭火机器人、新型防爆消防灭火侦察机器人等多个类型,可在易燃易爆、有毒缺氧等危险灾害事故现场进行灭火救援,主要用于石油、化工等易燃易爆环境的消防救援侦察工作。

人工智能在保护公民生命财产安全上做出了越来越多的贡献。社区监控、门禁管理、人脸识别等多类系统的动态感知数据可以用于社区安防;人工智能技术还可让机器“看得懂”视频中的人、车、物和行为,帮助公安部门通过比对和检索全国逃犯库中的数据快速找到可疑对象。

原文链接:

http://it.people.com.cn/n1/2018/0529/c1009-30019702.html

 医疗 | 检测皮肤癌 

 人工智能比医生厉害 

“医生在深层次临床检查的地位仍不可替代。”

近日,来自德国、美国和法国的研究团队利用10万多幅图片,训练人工智能系统分辨致命皮肤癌与良性痣。该系统搭载了深度学习卷积神经网络(CNN),并同17个国家的58名皮肤科医生进行了较量,看谁能辨别恶性黑素瘤和良性痣。

结果显示,这个超半数是拥有五年以上经验的“专家”的表现不如 CNN。平均来说,皮肤科医生通过图片中准确诊断86.6%的皮肤癌个案,CNN 的准确度高达95%。

该研究第一作者,海德堡大学的霍尔格称,人工智能系统诊断时遗漏的黑素瘤很少,这意味着它在识别皮肤癌方面比皮肤科医生更敏感准确。此外,其误诊的概率也更低,这就减少一些不必要的手术。

原文链接:

http://health.people.com.cn/n1/2018/0531/c14739-30024956.html

 科研 | AI 协助太阳能电池新材料甄选 

机器学习帮助设计有机光伏聚合物。”

日本大阪大学的团队近日利用计算机的强大能力,在机器学习算法的帮助下,自动化搜索匹配的太阳能电池材料。在对以往研究数据进行挖掘处理之后,他们将聚合物的物理性质以及由此产生的太阳能电池效率输入到随机森林模型中,以统计预测新材料的有效性。

太阳能电池将在转向可再生能源经济中发挥关键作用。其能量转换效率既取决于有机层,也取决于聚合物层。传统甄选材料的做法是,化学家们对不同的组合反复进行实验,但是这样会浪费大量的时间与精力。

而借助机器学习算法,将基于信息学的筛选与传统的知识指导设计相结合,可以极大地加速太阳能电池的开发。

原文链接:

https://www.sciencedaily.com/releases/2018/05/180529103558.htm

百度AI
百度AI

产业门禁管理机器人安防医疗准确率随机森林卷积神经网络人脸识别机器学习深度神经网络步态识人身份识别人工智能
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

随机森林技术

在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"Random Forests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的"Bootstrap aggregating"想法和Ho的"random subspace method" 以建造决策树的集合。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

暂无评论
暂无评论~