小样本学习实现大规模计算机视觉任务
Polito是6月2日首届虚拟某中心网络服务机器学习峰会的特邀演讲者之一。
问题一：演讲主题是什么？
将讨论如何支持某中心网络服务客户开发高质量计算机视觉模型，即使这些客户缺乏机器学习专业知识，且面临训练数据稀缺的情况。许多情况下，缺少常用于训练机器学习模型的标注训练数据。
通过使用迁移学习可以解决训练数据不足的问题。迁移学习利用了跨领域共享的模式。人类一直在使用迁移学习。例如，我们不需要观察数千只知更鸟就能识别新的知更鸟。只需要观察几只就能建立与红胸的关联。我们通过将知更鸟观察结果与先前对鸟类的知识相结合来转移知识。
在计算机视觉领域，迁移学习可以在专业领域发挥重要作用。继续以知更鸟为例，如果你是鸟类学家，你会希望计算机视觉模型观察知更鸟图像后立即识别相关亚种。你甚至希望它能够识别新物种，即使以前没有人遇到过该物种。这正是客户对AI系统的最终期望。
如今，通过使用"小样本学习"技术实现了这一目标，这些技术能够在少量或稀有标签的情况下，借助少量期望结果的样本执行定制化视觉任务，如图像分类。
问题二：为什么这个话题在科学界特别相关？
过去几年，深度学习使科学家取得了以前难以想象的成果。这个领域蓬勃发展，成熟度足以使科学真正对世界有用。如今，科学家们正在使用计算机视觉推动自动驾驶导航系统、医学影像分析、考古学和建筑学等领域的进步。
然而，仍存在大量未解决的问题，这些为推进科学提供了真正机会。数据丰富，但标签不足。我们想要识别的物体、人物、地点、场景和动作的格局变得越来越复杂，人们没有时间或资源来标记它们。通过思考这些现实用例，我们被迫在严格约束下操作，并协调超越简单模型训练的复杂解决方案。
小样本图像分类和目标检测正是我所说的很好例子。直到最近，我们还没有太多关注从非常有限的图像集中训练计算机视觉模型。毕竟，我们生活在一个共享视频和图像数量呈指数级增长的世界中。
然而，视频和图像的爆炸式增长意味着我们没有时间或资源来标记所有这些数据。对于医学或考古学等专业领域尤其如此，从业者没有带宽或资源来标记图像，或开发深度神经网络来孤立解决每个任务。
为了在如此多约束的世界中运作，迫切需要推进元学习、转导学习和半监督学习等领域的技术水平。传统计算机视觉问题（如图像分类或目标检测）的新设置和约束宇宙已经打开。好消息是这些问题非常真实，解决它们时的回报也是如此。
问题三：能否提供一些客户使用小样本学习扩展和自动化任务的例子？
所有某中心网络服务的自定义标签和视觉检测客户都受益于迁移学习。自定义标签用于识别特定于业务需求的图像和对象。视觉检测客户利用该服务发现视觉表示中的缺陷和异常。
对于使用这些服务的每个业务，首先确定最合适的模型和技术。这确保了任何预先存在的知识都得到充分利用。已经开发并发布了涵盖执行该选择的有效方法的研究。
如今，媒体企业正在使用小样本学习技术分析数百万帧并检索特定角色。医疗公司正在诊断成像中使用这些技术。电力公司通过使用计算机视觉识别和关闭有缺陷的设备来预防野火。这些企业以及更多其他企业正在使用小样本学习来解决那些一旦解决将为世界各地人们带来益处的问题。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
