计算机识别 - 赋予计算机视觉

总体而言，计算机识别和计算机视觉长期以来一直是极具挑战性和复杂性的领域，在 ML/AI 出现之前进展有限。形成鲜明对比的是，在计算机图形学领域，2D/3D 建模、计算机辅助设计 (CAD)、数字电影（如 Pixar 制作的电影）以及视频游戏领域在短时间内取得了众多进展。现代计算非常擅长捕获和创建图像，却不擅长感知图像。

主要原因是由于视觉感知问题。在现代台式机问世之初，研究人员没过多久就开发出了巧妙的方法，通过将图片编码为一系列不同强度的像素（例如 RGB）来对图像进行数字编码，甚至通过多种方案压缩图像。随着图像捕获和编码技术的进步并基本得到解决，研究人员转向了图像分析。

给定一系列像素，如何识别对象？有各种看似明显但略显简单的方法，例如在特定领域内观察一组像素的颜色。利用先验知识，可以通过识别颜色集来近似估算对象。例如，天空是蓝色的且位于图像顶部。颜色的聚类也不考虑对象的形状和大小。这种方法很难推广。

本案例研究将探讨分析 CCTV 视频流如何为您的组织带来益处。能够在监控录像中识别物体的 AI 系统具有众多应用。

例如，分析可以为安全及相关人员提供实时可操作的警报。编写传统的算法程序来解决计算机识别/计算机视觉问题十分困难，而使用人工智能则使该问题变得可处理。

通过人工智能解决问题

这个问题引发了关于人类如何在视觉范围内识别物体的疑问，而这也是极难回答的。虽然这仍然是一个悬而未决的问题，但人工神经网络已被证明在计算机识别/计算机视觉领域极为有用。

借助深度学习技术和海量图像数据集，可以训练模型来识别物体。最常见的数据集是 Common Objects in Context（https://cocodataset.org/)，其中根据其定义包含以下内容：

目标分割
上下文中的识别
超像素素材分割
330K 张图像（>200K已标注)
150万个对象实例
80 个对象类别
91 个素材类别
每张图像 5 个说明文字
250,000个带关键点的人

使用这些信息训练各种人工智能模型，在评估数据集上运行模型时已被证明非常有效。

组织挑战概述

假设 AI 具备分析视频流中对象的能力（事实确实如此），组织将如何实施此类解决方案？在可扩展并在监管框架内运行的生产化环境中实施此类模型，仍然是一个更广泛的问题。

传统上，组织会指派其IT部门来安装此类功能。通常，组织会寻找现成的软件来解决问题，或者如果此类解决方案不易获得，则寻求定制软件供应商来构建或改造现有解决方案。鉴于人工智能系统的复杂性，这两个选项在相当长的一段时间内都将无法实现。

除了技术挑战之外，组织通常还必须遵守内部政策和各种合规要求，例如数据隐私，这些问题虽然相关，但属于不同领域专家的范畴。因此，实施这样的解决方案将需要组织内许多其他领域的专业知识，需要复杂的项目管理。内部策略的替代方案是通过人工智能即服务企业（包括Telemus AI™）获取此类能力，其方式类似于访问云服务。