克服机器视觉障碍，实现人工智能革命

2015年12月，谷歌公布了其云视觉API，来继续执行这些任务，如：辨识人脸、标志和文字，观测物体并理解其环境的应用于。一些客户都对这些功能深感十分激动，在市场上其它企业也正在找寻类似于的一种服务，为使其适应环境其业务模式。　　机器为什么必须视觉呢？视觉是主要的感官。

机器要需要解读人类，获取他们所需的反对，那么它们必需需要在视觉范畴展开仔细观察和展现出。这有可能是一个小摄像头的形式，可以协助盲人去看和感觉环绕着他们周围的世界。或者是一个家庭监控系统，该系统需要准确辨识一群流浪猫之间的差异，或者移动树枝，和一个防盗的形式。

　　在过去的一年中，环绕着人工智能的嗡嗡声，仍然在十分强大的快速增长。我们还根本没如此相似的仔细观察到这个技术的益处。2016年，将不会看见新式的人工智能的供电设备，因为我们对于人工智能，所面对的最艰难的挑战之一，早已获得了进展：让我们的设备，需要理解它们所看见的。　　在我们的日常生活中，由于设备渐渐沦为我们不可分割的一部分，我们早已看见如果没充足的视觉能力，更加多的应用程序将南北告终，其中还包括空中无人机撞击和机器人吸尘器不吃了它们本不应当不吃的东西。

　　机器视觉是人工智能正在较慢发展的一个分支，目的彰显机器可相媲美人类的视觉。随着研究人员应用于专门的神经网络来协助机器辨识和解读现实世界的图像，机器视觉在过去几年获得了极大的变革。

如今的计算机在视觉辨识上需要做各种各样的事情，从辨识网络上的猫到在诸多的照片中辨识特定的面孔。不过，该类技术还有很长的路要回头。今天，我们看见机器视觉需要离开了数据中心，并限于于一切从自律无人机到机器人身上，可以整理我们的食物。　　为了更佳的理解机器人视觉，一个少见的转换，机器人视觉与人类自己的视觉，就只不过天空中飞行中的鸟类与飞机。

两者最后都将依赖基础物理学(如伯努利原理)，来协助它们飞过到低空中，但是，这并不意味著飞机即将扇动它的翅膀展开飞翔。只是因为人与机器可能会看见某种程度的东西，并且对这些图像展开说明的方式，甚至有可能有一定的共性，最后的结果依然有可能是具备相当大的有所不同。　　虽然基本的图像分类早已显得更为更容易，但是，当它牵涉到到从抽象化的场景中萃取意义和信息时，机器人就面对着一系列新的问题。

错觉就是一个很好的例子，机器人视觉依然还有很长的路要回头。　　举例来说，当人看见两张面对面的脸的轮廓图像时，他们看见的某种程度是抽象化的形状。他们的大脑不会展开更进一步的理解，让他们需要辨识图像的多个部分，看见两张脸，又或者看见一个花瓶。

但对于机器来说，这样的图像是十分无法解读的。基本的分类器辨别没法两张脸和花瓶，它看见的不会是诸如短柄斧、吊钩、避弹衣甚至吉他的物体。该系统并无法确认那些物体是在该图像当中，这解释这类图像的辨识对于机器而言极具挑战性。

　　如果我们看见一些更加简单的东西，这个问题甚至不会显得更为艰难，比如BeverlyDoolittle(大前杜利特尔)的一幅画，虽然看见这个图的每个人，有可能不需要找到，只不过每个人的脸都在这块画布上，他们完全立刻看见，比映入他们眼帘更好的图片。另外，正如简单的图像，现实世界也十分杂乱。在当中长时间航行可不是光研发算法分析数据就需要构建的，它必须对现实场景有确切的理解，进而需要适当做出行动。

本文来源：南宫28NG官网-www.edulinkconnection.com