欢迎来到985免费论文网-论文免费参考网!
当前位置: 首页 > 计算机论文 >

机器视觉检测发展如火如荼,中小企业该如何

来源:985免费论文网  | 时间:2024-11-12 13:43:51 |

机器视觉检测发展如火如荼,中小企业该如何

中小企业要审视自己所拥有的资源,针对企业自身切实的需求,做技术落地方案的决策。我本身是做计算机视觉的,对于经典视觉和深度学习视觉落地都有心得。

1.业内有通用成熟的解决方案。

中小企业采用第三方开放平台,无疑是性价比最高的。

2.业内有成熟方案,但企业自身的需求场景较小,且采样数据集独特。

这种场景可以引进少数技术人才。足以以最小的研发成本,得到比第三方大厂更好的视觉检测结果。

3.业内没有成熟方案,仅学术界有理论支撑。

这种情况比较麻烦,也往往面临技术挑战。最难的地方在于,需求场景的评估。

评估往往需要懂最新的技术理论,千万不要听从,整天把市场和用户体验挂嘴上的产品经理瞎忽悠。

首先,目前的需求场景,学术界的理论指标是多少,理论是否有足够的优化空间,以及能否达到工业级场景要求的准确率。

其次,如果不能达到工业级指标,是否采用设计分级,或人为干预且高效的workflow。

最后,综合评估,理论落地的时间和成本,以及产品优化能带来的效率和市场收益。

4.业内没有成熟方案,学术界理论也不成熟

对于这种极具挑战的场景,除非公司之前在这个领域已经有足够的技术和人才积累。可以尝试以这个技术点为核心,再加上新引进的算法人才,共同建立自己独特的技术壁垒。

即使在AI技术和各种论文不断刷新的今天,中小公司仍然有自己的优势。

以技术能力竞争的中小公司,可以以业内独有数据集和技术积累为基础,打造自己垂直的技术竞争点。

以业务能力竞争的中小公司,可以采用成熟的第三方平台或解决方案,提高自己的产品效率。

暂时就写到这里吧。

有计算机视觉方面的问题,欢迎留言与我讨论。

Bengio 和微软团队日前在 arXiv 上发表论文,介绍了一种用于研究对科学图像进行视觉推理的机器学习数据集 FigureQA,包括基于 10 万张合成图像的 100 万个问答对,为构建可直观识别数据视觉表征模式的模型迈出了重要的第一步。

摘要:我们介绍了一种视觉推理数据集 FigureQA,包含建立在 10 万张图像上的超过一百万个问答对。图像是科学类电子资源格式,从五个类别中合成:线图(line plot)、点线图(dot-line plot)、横条图(horizontal bar graph)、纵条图(vertical bar graph)和饼图(pie chart)。我们从 15 个模板中生成问题来构建我们的推理任务;问题涉及不同绘图元素之间的各种关系,检查特征如最大值、最小值、曲线下面积、平滑度和交点。解析这类问题通常需要参考多个绘图元素和图像中空间分布信息的合成。为了加速机器学习系统的训练,该数据集还包含边数据(side data),可用于构建辅助目标。尤其是,我们提供用于生成每个图像的数字资料和所有绘图元素的边界框标注信息。我们通过训练多个模型来研究提出的视觉推理任务,模型包括近期提出的强基线:关系网络(Relation Network)。初步结果表明该任务为机器学习带来了一个巨大挑战。我们认为 FigureQA 是构建可直观识别数据视觉表征模式的模型的第一步。

数据集制作

该数据集通过两个阶段来生成。首先,从仔细调整的旨在使采样图像更加自然的约束集和启发集中采样数字资料。然后,使用 Bokeh 开源绘图库 [5] 绘制图像中的数据。该流程使我们获取图像中的大量的定量数据。我们还修改了 Bokeh 后端以输出所有绘图元素的边界框:数据点、轴、轴标签和轴刻度、图例符号(legend token)等。我们提供基础的数字资料和边界框集作为每个图像的补充信息,这对构建辅助任务很有用处,如重建一个图像中的大量数据,或者使用边界框目标监督注意力机制。我们还在数据集制作过程中,平衡每个问题类型和每个图像「yes」和「no」答案的比例,以使模型更难在无视视觉内容的情况下利用答案频率的偏差。

图 1. 问答对的线图示例。

表 2. 问题类型

我们的编辑团队从我们的测试集中回答了部分问题,其中包含 16876 个问题(和 1275 张随机选取的图像相关,大约每种图像类型有 250 个问题)。表 3 总结了实验结果。只用文本的模型和 CNN+LSTM 模型的比较表明视觉模态对学习是有贡献的。然而由于问题的关系结构,RN 的表现显著地超越了更简单的 CNN+LSTM 模型。我们的人类基线水平表明这个问题还很具挑战性,但已经有了标志性的进步。表 4 和表 5 展示了 RN 和我们的编辑人员分别在每一类图像和每一类问题上的表现水平。

表 3. 我们的基线模型在测试集上的性能水平

表 4. RN 和人类在测试集上每一类图像的表现水平

表 5.RN 和人类在测试集上每一类问题的表现水平

6 结论

我们介绍了 FigureQA,一种用于研究对科学图像进行视觉推理的机器学习数据集。该数据集包括基于 10 万张合成数字图像的 100 万个问答对。问题包括图特征如极值、曲线下面积、平滑度和交点,需要整合图像中空间分布的所有信息。该数据集还包含边数据以推动机器学习系统的训练。这包括用于生成每个图像的数字资料和所有绘图元素的边界框标注。我们通过在数据上训练三个基线神经模型、分析其测试集性能,并与人类的表现进行比较,来研究视觉推理任务。结果表明还需要更强大的模型才能追赶人类水平。


1. 确定论文主题:结合实习经历,选择具有代表性的设计案例。
2. 论述实习过程:详细描述实习岗位、工作内容以及个人成长。
3. 分析设计理念:从创意、构图、色彩等方面分析设计思路。
4. 总结经验教训:反思实习中的不足,提出改进措施。
5. 建议论文结构:引言、正文(分四部分)、结论。

稍微好一点的高校没啥用,论文只是门槛,还有看论文的方向。可能这个论文发表数量,也许在人事处那一关可以过,但是拿到本专业的老师那去。刚好你的方向都是她看不顺眼的方向。可能发表10篇垃圾文章,反而是减分项。好的论文一两篇就够了,那种短时间发10多篇论文的。会被某些大佬打上一个精致的利己主义,学风不正的标签,那就不用了。


《机器视觉检测发展如火如荼,中小企业该如何》由:互联网用户整理提供;
链接地址:/show/89710.html
转载请保留,谢谢!
推荐专题
相关文章