Astro的人工智能机器狗有哪些与众不同的特征,人工智能狗

2024-11-27 08:48:26 智能写作

各位网友好，小编关注的话题，就是关于人工智能画狗的问题，为大家整理了2个问题人工智能画狗的解答内容来自网络整理。

Astro的人工智能机器狗有哪些与众不同的特征

Astro的人工智能机器狗有哪些与众不同的特征,人工智能狗智能写作

目前已经有一些公司研发出四足机器狗，它们能够行走自如并轻松应对各种障碍。佛罗里达大西洋大学的研究人员正在利用他们的人工智能Astro机器狗加入这一行动。

首先，Astro的移动风格不仅仅能吸引人的注意力。与市场上或开发中的其他机器狗一样，它能够经受住将其击倒的尝试，并且非常适合穿越崎岖的地形 - 例如在搜索和救援行动中或者调查灾难现场可能遇到的情况。

据报道，Astro特别推出的是Nvidia Jetson TX2图形处理单元，包含在其3D打印的头部中（受杜宾犬启发）。这些为机器人提供了每秒4万亿次的计算能力，并且在板载传感器（包括雷达成像模块、摄像头和定向麦克风）的帮助下，它们可以解释语音命令并理解周围环境。

此外，100磅（45千克）机器人利用深度神经网络通过反复试验过程学习新任务。

到目前为止，Astro能够响应基本命令，如“坐下”，“站立”和“躺下”。然而，一旦进一步发展并配备了额外的传感器，它就可以用于诸如枪支和爆炸物的探测，引导盲人，探索危险环境或在战场上协助士兵等应用。通过搜索数据库中的数千个面孔，嗅探和识别空气传播物质，听到人类听不到的遇险呼叫以及其他“超能力”提供帮助。

Astro研究项目由副教授Elan Barenholtz、William Hahn和Pedram Nimreezi领导，后者是该大学机器感知和认知机器人实验室智能软件的负责人。

如何通过人工神经网络实现图像识别

我的理解是这样的，由很多个单元构成的层，存在多个层且相近层间的单元间存在联系，这就是一个网络。不同层的作用不同，每个层就相当于滤镜，透过这个滤镜来看一张图片会得到一种特征（也可以说是图片的某种特征被放大），透过很多层滤镜会得到这个更具概括性的特征，我们经过查看海量有关猫的图片，就会得到关于猫的特征！我们将这个特征保存起来！接下来有一张新的图片，我们来识别图片的东西是不是猫，就用之前存下来的特征和本次扫描得到的特征进行对比！如果两特征差别不大，我们就说这张是关于猫的图片！

参考：

MATLAB环境下使用单目相机追踪多辆车 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/571823824

自动驾驶之-MATLAB环境下基于深度学习的目标检测（停车标志检测） - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/571678000

自动驾驶之-MATLAB环境下基于Faster R-CNN的车辆检测 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/571647960

人工神经网络作为一个新技术正不断融入各个学科，其独有的优势在数字图像处理中也得到了不错的运用。针对卷积神经网络做图像识别，则是一个相当火的方向，如腾讯云识别，只要上传任意一张图像就能识别出图中有人还是有花等，那这到底是怎么实现的呢？

下面我们就以如何通过神经网络识别人物形象来说事。

假设有一张女人的图像：

这是一张大小为350x450的图像，那现在我们在人工智能里设定，如果在看到其他的图，只要其大小为350x450，并且所有像素点跟上面这张图一样，那就判定图中的人是女的。

很显然，在海量的图像里除了这张能再找到完全一样的才怪。那怎么办嘞，每个人都长的不一样，有的白一点，有的黑一点，即使是同一个女人，也有可能她吃胖了，那岂不是认不出来了？

这时神经网络发挥作用了，我们看这张图时看到了什么特征？帽子、长发、卷发、大眼睛而且还露背了。

再分析一下，头发是黑色的，黑色的像素亮度低，头发一般是一簇的，卷发是打卷的，大眼睛在整个脸部占比多一点，好像都是废话，但对于神经网络不是，这都是特征。

若我们有10万张长发的人的图像，让神经分析所有图中像素点的位置和像素点的值的共同点，最终会得到一个网络，只要跟这个网络里记忆的特征相同或者相似的就会被定义为长发。10万个长发发型样本几乎覆盖了所有能想到的发型，当再拿一张长发的人的图像来通过网络，就会查到一个大多数女人的特征：长发。

那该有人问了，这还是不能知道图中的人是男是女啊，有的动物也是长发，比如马。。。。。。

那我们再增加特征呗，10万张嘴的特征，10万张鼻子的特征等，只管往上加，每一个物种都有其共同特征和独有特征。

假如在人工智能里定义一个女人需要满足100个特征，那么在海量的图像里只要满足这100个我们定义的特征，那么她就是女人。

想知道这个问题，首先就得了解人工智能是如何识别图片的。

传统机器学习识别与深度学习识别对比

传统机器学习识别是通过人为提取图片特征，比如人脸五官，形成庞大的特征资源库。再由机器对需要识别的图片进行特征提取和对比从而对图片进行识别。

而深度学习是通过建立神经网络，让神经网络自己去学习图片各特征与结果之间的权重。

计算机眼中的图像

计算机只认识0和1的二进制，那么人类眼中色彩丰富的图片计算机是如何识别和存储的呢？在计算机眼中一张色彩鲜艳的图片其实就是有数字组成的矩阵。灰度图像和色彩图像。彩色图像（R、G、B）表示颜色，图片在计算机中表现为三阶张量。

CNN卷积神级网络

图像识别一般是用卷积神经网络来建立深度学习模型的。之所以不用全连接神经网络的原因是：一张图片每一个像素点都是参数，输入的参数太多、网络层数有限制。假设一张1000*1000大小的图片，输入层就有1000*1000 = 100万个节点，假设一个影藏层有100个节点，那么光这一层就有（1000*1000+1）*100 = 1亿个参数；而卷积神经网络能在减少图片输入参数的前提下又不失图片本身的特征。

CNN神经网络主要包括卷积层、池化层、全连接层：

卷积

提取图像中的特征作为滤镜。如下图，提取了X的三个特征。

提取特征作为滤镜后，使用滤镜扫描图片：以图像每一个点为中心，取周围N*N格点构成一个面，称为卷积核，每一格给予不同的权重，计算加权总和，当做这一点的outPut，再移动至下一个点以相同方式处理。

通过三层滤镜扫描后得到：

池化

池化是一种压缩图片但会保留图片重要资讯的手段，采用滑动视窗，取范围内最大值。例如滑动视窗大小2*2，并且每次滑动2格，则图片会被缩小为原来的四分之一。

CNN

再加上其他的一些其他元件，如ReLu激活函数、全连接等，构成完整的CNN（卷积）神经网络。

通过CNN神经网络的判别后，会给出各结果的可能性，可能性最高的极大可能就是我们要的结果。

目前图像识别的程度

深度学习图像识别有一个很知名的比赛，每年都会有知名的模型出来，像AlexNet、VGGNet、ResNet等，模型层数也是越来越多，准确率也越来越高。今年这个比赛已经不再举行了，因为现在识别准确率已经十分高了，将近97%的准确率，再举行比赛已经没有意义了。