向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

让视觉分析更有效率成AI最大挑战

今日的AI社群仍被无数问题所困扰;例如在电脑视觉方面,如IBM Research研究人员所言,最大的挑战在于如何"让视觉分析更有效率“...

尽管有众多人工智慧(AI)处理器竞相抢市──每一种都自称是“突破”──今日的AI社群仍被无数问题所困扰,包括能量、速度、AI硬体的尺寸与AI演算法,这些都尚未证实在强韧度以及性能方面有所改善。

在电脑视觉方面,如IBM Research的电脑视觉与多媒体研究经理Rogerio Feris所言,最大的挑战在于如何”让视觉分析更有效率“。要特别说明的是,AI仍在早期发展阶段,需要全新的想法、长期性的眼光,以及学界与研究机构在研发上的更多投入。

IBM Research会在本周于盐湖城(Salt Lake City)举行的2018年度电脑视觉与图形识别研讨会(Conference on Computer Vision and Pattern Recognition,CVPR)上,发表两篇关于AI软体与硬体技术的论文;CVPR是由电脑视觉基金会(Computer Vision Foundation)以及IEEE电脑学会赞助,号称是最具竞争力的电脑视觉技术研讨会之一。

在AI硬体部分,IBM Research正在推广一种立体视觉(stereo-vision)系统,是透过将以大脑启发的棘波神经网路(spiking neural-network)技术应用于资料撷取(感测器)与资料处理所开发;该设计利用了IBM自家的TureNorth晶片──是一种非冯诺伊曼(non-von-Neumann)架构处理器──以及一对瑞士业者iniLabs开发的事件导向(event-driven)摄影机

ai1

IBM的TrueNorth架构

在AI软体部分,IBM Research的论文是关于“Blockdrop”,也就是被认为可降低深度残差网路(deep residual networks)所需之总运算量的关键步骤。Feris解释,以上两篇论文是从两个不同角度解决一个相同的问题──视觉分析效率。

Feris表示,当有人要过马路,自动驾驶车辆会被预期要做出”即时推论“;虽然影像辨识准确度很重要,不过自驾车要花多少时间产生结论、识别出那是什么东西,才是它在现实世界应用的终极试验。

什么是“Blockdrop”?
在2015年ImageNet大会上成为赢家的残差网路,在电脑视觉技术社群掀起了一场风暴;该技术已经证明了它能提供优异的识别结果,因为能训练神经网路中的数百甚至数千层。不过Feris指出:”将残差网路需要的那些一体适用运算应用于所有成像,会太没有效率;“他解释,如果有一只狗在白色背景前,会比在忙碌都市街景中更容易被识别。

为此IBM Research开发了BlockDrop,这是一种学习动态选择残差网路中哪些区块(包括多个层)来执行推论任务的方法;Feris指出:"该方法的目标是妥善减少整体运算辆,同时不损失预测准确度。”

ai2

IBM声称,BlockDrop在测试中平均能将识别速度提升20%,有时甚至能加快36%,而且不牺牲残差网路在ImagNet资料集中达到的准确度。Feris表示,IBM这项研究是在2017年夏天与美国德州大学(University of Texas)、马里兰大学(University of Maryland)合作展开,该公司将会把BlockDrop释出给开放源码社群。

立体视觉应用的神经形态技术
在硬体方面,IBM Research瞄准了一种利用棘波神经网路的立体视觉系统;该公司表示,目前产业界是使用两个传统(讯框)摄影机来产生立体视觉,但从未有人尝试过神经形态技术。虽然以传统摄影机提供立体影像并非不可能,不过会需要高画质影像讯号处理,例如高动态范围(HDR)成像、超高解析度处理以及自动校准等。

根据IBM研究员Alexander Andreopoulos在论文中的描述,其系统是利用两个iniLabs开发的事件导向摄影机(又被称为动态视觉感测器-DVSe),撷取画面之后以IBM TrueNorth晶片丛集来提取快速移动物体之深度。

IBM的目标是大幅降低取得立体影像所需的功耗与延迟,在接收直播的棘波输入(这已经大幅降低资料量)后,该系统是用IBM的神经形态硬体重建3D影像,透过估算来自两个DVSe之影像的差异,以及藉由三角测量定位3D空间中的物体。

ai3

神经形态立体影像

资料撷取与处理
有一家法国新创公司Prophesee是利用神经形态技术来撷取资料,并降低感测器所收集的资料量;该公司的感测器技术并非以讯框为基础,而是以简化并打造适合机器使用的资料为设计目标。Prophesee执行长先前接受EE Times采访时表示,这能大幅减轻资料量负担,应该也能因此让车子能做出几乎即时性的决策。

不过新一代的IBM立体视觉系统不只将类人脑技术用于资料撷取,也用在资料处理上,以重建立体影像;Andreopoulos表示,该系统还有一个最大的成就,是透过编程让TrueNorth有效率地执行"棘波神经网路立体视觉必备的各种常见子程序(sub-routines)”。IBM补充指出,TrueNorth晶片的架构功耗比传统系统低,这会有利于自动驾驶系统的设计。

同样的,利用一对DVS摄影机(非讯框式)也能降低资料量与功耗,并提升速度、减少延迟,提供更好的动态范围,而IBM表示这些都是即时系统设计的关键元素。在被问到新的TrueNorth系统还有那些优势时,Andreopoulos表示,与采用传统CPU/GPU处理器或FPGA的最先进系统相较,其每画素视差图功率(power per pixel disparity map)有两百倍的改善。

利用以事件为基础的输入,馈入IBM系统的即时影像资料,是以9颗TrueNorth晶片进行处理,每秒能计算400张视差图,延迟仅11毫秒(ms)。IBM在论文中指出,藉由特定的权衡(trade-offs),该系统能将速率进一步提升到每秒2,000张视差图。

采用TrueNorth晶片的立体视觉系统何时可以商业化?Andreopoulos表示:"我们还不能透露时间点,只能说我们已经进行测试并且成功编程晶片有效处理视差图,现阶段是概念验证。“

编译:Judith Cheng

(参考原文:IBM Refines AI Efficiency in Visual Analysis,by Junko Yoshida)

二维码

Edit
本文为国际电子商情原创文章,未经授权禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
Junko Yoshida
ASPENCORE全球联席总编辑,首席国际特派记者。曾任把口记者(beat reporter)和EE Times主编的Junko Yoshida现在把更多时间用来报道全球电子行业,尤其关注中国。 她的关注重点一直是新兴技术和商业模式,新一代消费电子产品往往诞生于此。 她现在正在增加对中国半导体制造商的报道,撰写关于晶圆厂和无晶圆厂制造商的规划。 此外,她还为EE Times的Designlines栏目提供汽车、物联网和无线/网络服务相关内容。 自1990年以来,她一直在为EE Times提供内容。
  • 微信扫一扫,一键转发

  • 关注“国际电子商情” 微信公众号

您可能感兴趣的文章

  • 激光雷达专利战升级,起诉中国初创公司Velodyne图什么?

    近日,国际电子商情记者从美国JUSTIA网站获悉,Velodyne LiDAR已经对中国两家激光雷达初创公司发起了专利诉讼。本次Velodyne LiDAR起诉这两家公司的原因或涉及US 7,969,558专利。

  • 从芯片到产品,国产毫米波雷达产业链全面梳理!

    毫米波(Millimeter Wave)指的是工作频率在30~100GHz,波长在1~10mm之间的电磁波。因为毫米波的波长介于微波和厘米波之间,所以毫米波雷达兼具微波雷达和光电雷达的部分优点。当前,在车载ADAS系统中的毫米波雷达主要为24GHz和77GHz两类。近期,国际电子商情针对24GHz和77GHz的性能,并梳理了国产毫米波雷达的产业链。

  • 国外车载激光雷达产品盘点

    虽然车载激光雷达(LiDAR)的概念非常火,但是真正开始量产的企业并不多。一部分企业有推出一些概念产品,不过远未达到量产的程度。此背景下,近期国际电子商情盘点了当前已经发布或接近量产的国外激光雷达企业的部分产品(只盘点产品,不包括模块在内)……

  • 【盘点】这20余款国产车载激光雷达,哪一个更“戳”你的

    车载激光雷达(车载LiDAR)作为自动驾驶汽车的核心部件,市场对其的需求越来越大。10年前,一个高端车载激光雷达的成本高达7.5万美元。为了能实现量产,厂商已经努力降低了90%的成本,但这仍不够。近年来国内车载激光雷达产业链逐渐形成,并推出了一些产品。《国际电子商情》汇总了20余款国产车载激光雷达产品,简要分析了中国车载激光雷达产业的现状。

  • 5G架构变迁,给连接器带来了哪些挑战?

    在今年的MWC 2019上海展会上,我们就已经见识到了5G的威力。已经获得5G商用牌照的几个运营商甚至在展会上特别演示了借由5G传输的低时延特性,实现远程开车:在展厅里转动方向盘、踩下油门,远在北京的汽车就能动了。这在过去是不可想象的。

  • 电动汽车带动IGBT产值,2021年有望突破52亿美元

    TrendForce报告指出,电动汽车已成为汽车产业未来的主要成长动能,预估在2021年电动汽车将突破800万辆,为2018年的两倍。

相关推荐

可能感兴趣的话题