人工智能與深度學習(課件)

王言偉人工智能與深度學習12人工智能的興起深度學習大變革深度學習商業(yè)化文通深度學習的研究與應用3人工智能的興起深度學習大變革深度學習商業(yè)化文通深度學習的研究與應用4人工智能的興起1950年，提出圖靈測試，人工智能萌芽5人工智能的興起1950年，提出圖靈測試，人工智能萌芽1950年~1980年，人工智能進展緩慢90年代~2000年，淺層機器學習模型的興起650s-70sPerceptron：FrankRosenblatt，195780sbackpropagationRumelhartetal.Nature,198690sSupportVectorMachine人工智能的興起1950年，提出圖靈測試，人工智能萌芽1950年~1980年，人工智能進展緩慢90年代~2000年，淺層機器學習模型的興起2006年，GeoffreyHinton在《Science》上發(fā)表文章，開啟了深度學習在學術界和工業(yè)界的浪潮2011年，GoogleBrain項目取得了驚人的進展，機器通過看YouTube視頻學會了識別貓和人2015年，Google和微軟靠GPU加速的深度神經網(wǎng)絡，在ImageNet比賽中獲得了多項擊敗人工辨識的準確度2016年，谷歌旗下Deepmind團隊研發(fā)的機器AlphaGo戰(zhàn)勝世界圍棋冠軍職業(yè)九段棋手李世石78人工智能的興起人工智能的興起人工智能的四個驅動：1、物聯(lián)網(wǎng)2、大規(guī)模并行計算3、大數(shù)據(jù)4、深度學習

9遷移學習、增強學習人工智能的興起10人工智能的分布人工智能的興起11從2013年開始（標志為DeepLearning的成熟），科技巨頭大多加大了對人工智能的自主研發(fā)，不少巨頭還成立了人工智能專職部門人工智能的興起12人工智能的興起13人工智能的興起深度學習大變革深度學習商業(yè)化文通深度學習的研究與應用14深度學習大變革

1516深度學習是什么深度學習學什么？1718深度學習訓練和測試19深度學習過程神經網(wǎng)絡20神經網(wǎng)絡21單層神經網(wǎng)絡22Whydeep23深度學習大變革24深度學習性能ImageNet圖像分類Top-5錯誤率25PascalVOC目標檢測MAPLFW人臉認證正確率ImageNet目標檢測MAP人工智能的興起深度學習大變革深度學習商業(yè)化文通深度學習的研究與應用26深度學習商業(yè)化

271、人臉識別

什么是人臉識別28人臉識別相關技術人臉檢測：人臉檢測是人臉識別的第一步，識別準不準，首先要看能否檢測到29關鍵點定位：關鍵點定位是人臉對齊的必要條件，也是人臉結構分析重要組成部分人臉屬性分析：在精準識別出人臉以后，進一步從圖片或實時視頻流（中分析人臉的各種特征和屬性，包括：性別、年齡、種族、表情、臉部裝飾等30人臉識別相關技術活體檢測31眨眼張嘴閉嘴左右搖頭上下?lián)u頭人臉識別相關技術人臉技術在金融行業(yè)應用場景32柜面業(yè)務自助設備業(yè)務遠程業(yè)務人證比對人臉技術的其他應用33深度學習商業(yè)化

342、車輛識別：車輛檢測、車型識別、車牌識別

車型識別車輛品牌識別：基于車頭或車尾的車體特征，識別車輛品牌、子品牌、年款車輛類型識別：貨車、轎車、摩托車35車牌識別363、文字識別廣告文字識別，過濾廣告證件識別，讀取身份信息37深度學習商業(yè)化

4、圖像檢索以圖搜圖搜索相關視頻搜索相關商品38深度學習商業(yè)化

此外還有：鑒黃暴恐過濾顏值排序圖像處理39深度學習商業(yè)化

人工智能的興起深度學習大變革深度學習商業(yè)化文通深度學習的研究與應用40智能圖像技術研究院成立2016年4月12日宗旨-圍繞文通市場產品現(xiàn)有問題改進研發(fā)-圍繞文通的戰(zhàn)略方向做預研和技術儲備41文通深度學習的研究與應用

42普拉哈拉德加里·哈默爾1990年，《公司的核心競爭力》發(fā)表應該有助于公司進入不同的市場，可以成為公司擴大經營的能力基礎。延展性對創(chuàng)造公司最終產品及服務的顧客價值貢獻巨大。它的貢獻在于實現(xiàn)顧客最為關注的、核心的、根本的利益。有用性公司的核心競爭力應該是難以被競爭對手所復制和模仿的。獨特性文通深度學習的研究與應用-人臉

43文通深度學習的研究與應用-人臉

2.性別及年齡識別

44文通深度學習的研究與應用-人臉

3.人臉檢測45文通深度學習的研究與應用-人臉

3.活體認證

46文通深度學習的研究與應用-文字

1.文字方面-CNN手寫單字符識別47模型識別率(%)模型大小速度MQDF91.7948M9msWT-CNN96.2525M53msWT-MQDF-CNN96.3173M32ms富士通-4CNN96.062500M-文通深度學習的研究與應用-文字

2.文字方面-CNN字符/非字符分類48模型準確率(%)模型大小SVM97.004.90MCNN99.513.21M測試圖像：23853張文通深度學習的研究與應用-文字

3.文字方面-LSTM英文文本49Total(%)English(%)Digital(%)Symbol(%)字符數(shù)49483240137317593284THOCR-base93.71393.10389.71496.344THOCR-nodict98.57198.37192.57199.441THOCR-nowdict99.72499.75093.14399.623Tesseract3.02-yc98.33098.37292.00098.165ABBYY1199.97799.982100.00099.953Ocropy

LSTM98.40998.67393.71497.282tensorflow99.7+文通244樣本，掃描文檔文通深度學習的研究與應用-文字

4.文字方面-LSTMemail1748關鍵詞條50THOCRgoogleocropyTensorflow合合Cjudguni(%)72.4792.5796.31

97.46EditDst(%)88.2293.5097.5598.62詞條(%)31.3552.9276.8384.3874.20文通深度學習的研究與應用-文字

5.文字方面-支票鑒偽51模型準確率(%)模型大小CPU識別速度CNN99.52%568K2ms/張文通深度學習的研究與應用-車

1.車與非車分類52模型準確率(%)模型大小識別速度CNN99.29569k