為了幫助同事和客戶了解更多有關計算機視覺和AI的更多信息，我們言簡意賅介紹一些計算機視覺和AI術語，希望能幫助到大家。

01.AI API

一個應用程序編程接口（API），供用戶訪問人工智能工具和功能。通過提供第三方AI服務，AI API使開發(fā)人員不必在內部構建自己的AI。

02.AI演示

演示AI平臺或一般人工智能的特性和功能。

03.AI模型

給定輸入數(shù)據(jù)和設置（稱為“超參數(shù)”），訓練AI算法的結果。AI模型是一種簡化的表示形式，它試圖封裝AI算法在訓練過程中學習到的所有內容。AI模型可以共享并在新數(shù)據(jù)上重用，以用于實際環(huán)境中。

04.AI平臺

供用戶構建，部署和管理利用人工智能的應用程序的軟件庫或框架。與AI API相比，AI平臺不那么靜態(tài)，而且功能更廣泛：盡管AI API返回第三方預先訓練的模型的結果，但AI平臺允許用戶為不同的目的創(chuàng)建自己的AI模型。

05.AI訓練

訓練一個或多個AI模型的過程。在訓練過程中，AI通過查看越來越多的輸入數(shù)據(jù)來對“學習”進行建模。在對給定輸入進行預測之后，AI模型會發(fā)現(xiàn)其預測是否正確；如果不正確，它將調整其參數(shù)以解決該錯誤。

06.注釋

為AI訓練做準備而對輸入數(shù)據(jù)進行標記的過程。在計算機視覺中，必須根據(jù)您希望AI模型執(zhí)行的任務對輸入的圖像和視頻進行批注。例如，如果您希望模型執(zhí)行圖像分割，則注釋必須包括圖像中每個對象的位置和形狀。

07.計算機視覺

計算機科學，人工智能和機器學習的子領域，旨在為計算機提供對圖像和視頻的快速，高級的理解，并像人類一樣“觀看”它們。近年來，得益于深度學習和神經(jīng)網(wǎng)絡，計算機視覺在準確性和速度方面取得了長足的進步。

08.數(shù)據(jù)收集

積累大量信息以訓練AI模型的過程。可以從專有資源（例如您自己的視頻）或從公開可用的數(shù)據(jù)集（例如ImageNet數(shù)據(jù)庫）中收集數(shù)據(jù)。收集后，必須對數(shù)據(jù)進行批注或標記以用于AI培訓。

09.深度學習

人工智能和機器學習的一個子領域，它使用具有多個“隱藏”（深度）層的神經(jīng)網(wǎng)絡。得益于算法的改進和技術的進步，近年來，深度學習已成功地用于訓練可以執(zhí)行許多類似于人類的高級任務（從識別語音到識別圖像內容）的AI模型。

10.密集分類

一種僅通過幾個例子就可以訓練深度神經(jīng)網(wǎng)絡的方法，該方法最初由Lifchitz等人在2019年學術論文《密集分類和植入以進行少量學習》中首次提出。廣義上講，密集分類鼓勵網(wǎng)絡查看其試圖識別的對象的各個方面，而不是僅關注一些細節(jié)。

11.Edge AI

使用在邊緣設備上運行的AI和機器學習算法來處理本地硬件上的數(shù)據(jù)，而不是將其上傳到云中。Edge AI的最大好處也許是更快的速度（因為不必往返于云之間來回發(fā)送數(shù)據(jù)），從而可以進行實時決策。

12.邊緣設備

連接到Internet的硬件設備，是物聯(lián)網(wǎng)（IoT）的一部分，并充當IoT網(wǎng)絡中的網(wǎng)關：一方面，本地傳感器和收集數(shù)據(jù)的設備；另一方面，物聯(lián)網(wǎng)在云中的全部功能。為了獲得最快的結果，許多邊緣設備都能夠在本地執(zhí)行計算，而不是將這種責任轉移到云上。

13.集成學習

使用來自在相同輸入（或相同輸入的樣本）上訓練的多個AI模型的預測，以減少錯誤并提高準確性。由于訓練階段的自然可變性，給定相同的數(shù)據(jù)，不同的模型可能會返回不同的結果。集成學習結合了所有這些模型的預測（例如，通過多數(shù)表決），以提高性能為目標。

14.面部認證

面部識別的一個子領域，通常出于安全目的，旨在驗證一個人的身份。面部認證通常是在邊緣設備上執(zhí)行的，邊緣設備足夠強大，可以幾乎立即并以很高的準確度識別對象。

15.面部識別

通過檢查各種面部特征（例如，眼睛，鼻子，嘴巴和che骨的距離和位置），將人臉用作生物特征。面部識別既可用于面部認證（識別征得其同意的個人），也可用于在公共場所捕獲人們圖像的視頻監(jiān)視系統(tǒng)。

16.GPU

“圖形處理單元”的縮寫，一種專門用于計算機，智能手機和嵌入式系統(tǒng)的專用硬件設備，最初用于實時計算機圖形渲染。但是，GPU能夠有效地并行處理許多輸入的能力使它們可用于多種應用程序，包括訓練AI模型。

17.散列

數(shù)學函數(shù)（稱為“散列函數(shù)”）的結果，該函數(shù)將任意數(shù)據(jù)轉換為唯一（或幾乎唯一）的數(shù)字輸出。例如，在面部認證中，復雜的哈希函數(shù)對用戶面部的識別特征進行編碼，并返回數(shù)值結果。當用戶嘗試訪問系統(tǒng)時，他們的面孔會被重新著色并與現(xiàn)有哈希進行比較以驗證其身份。

18.圖像豐富

通過添加元數(shù)據(jù)（例如，圖像的作者，創(chuàng)建日期或內容），使用AI和機器學習對圖像和視頻等視覺數(shù)據(jù)進行自動“豐富”。例如，在媒體行業(yè)，圖像豐富化可用于快速準確地標記在線零售列表或新的代理商照片。

19.圖像質量控制

使用AI和機器學習對視覺數(shù)據(jù)（例如圖像和視頻）執(zhí)行自動質量控制。例如，圖像質量控制工具可以檢測圖像缺陷（例如模糊，裸露，偽造和禁止的內容），并糾正問題或從數(shù)據(jù)集中刪除圖像。

20.圖像識別

AI和計算機視覺的一個子領域，旨在通過高層次描述圖像內容來識別圖像內容。例如，訓練有素的圖像識別模型可能能夠區(qū)分狗的圖像和貓的圖像。圖像識別與圖像分割形成對比，圖像分割試圖將圖像分為多個部分（例如，背景和不同的對象）。

21.物聯(lián)網(wǎng)

廣泛的，相互連接的設備和傳感器網(wǎng)絡，可通過互聯(lián)網(wǎng)進行通信和交換信息。作為發(fā)展最快的技術趨勢之一（估計每秒連接127個新設備），物聯(lián)網(wǎng)具有改變制造業(yè)，能源，交通等行業(yè)的潛力。

22.標簽

分配標簽的過程，該標簽可為訓練數(shù)據(jù)集中的每個輸入或您希望AI模型在訓練期間返回的“答案”提供正確的上下文。在計算機視覺中，標簽有兩種類型：注釋和標簽。標記可以在內部執(zhí)行，也可以通過外包或眾包服務執(zhí)行。

23.活體檢測

面部認證系統(tǒng)的一種安全功能，可驗證給定的圖像或視頻是否代表真實的真實人，而不是試圖以欺詐手段繞過該系統(tǒng)（例如，戴上人像面具或顯示睡眠狀態(tài)）人的臉）。進行活動檢測對于防范惡意行為者至關重要。

24.機器學習

人工智能和計算機科學的一個子領域，研究可以通過獲得更多經(jīng)驗或查看更多數(shù)據(jù)來隨著時間的流逝而不斷提高自己的算法。機器學習既包括監(jiān)督學習（在監(jiān)督學習中為算法提供了預期的結果或標簽），也包括無監(jiān)督學習（在該監(jiān)督中算法必須在未標記的數(shù)據(jù)中找到模式）。

25.機器視覺

人工智能和計算機視覺的一個子領域，結合了硬件和軟件，使機器可以像人類一樣在較高的水平上“看到”。機器視覺不同于計算機視覺：機器視覺系統(tǒng)既包括捕獲圖像和視頻的機械“主體”，也包括解釋這些輸入的計算機視覺軟件。

26.元數(shù)據(jù)

描述并提供有關其他數(shù)據(jù)的信息的數(shù)據(jù)。對于圖像和視頻之類的視覺數(shù)據(jù)，元數(shù)據(jù)包括三類：技術性（例如攝像機類型和設置），描述性（例如作者，創(chuàng)建日期，標題，內容和關鍵字）和管理性（例如聯(lián)系人信息和版權）。

27.神經(jīng)網(wǎng)絡

一種AI和機器學習算法，旨在模仿人腦的高級結構。神經(jīng)網(wǎng)絡有許多相互連接的人工“神經(jīng)元”，它們排列成多層，每個神經(jīng)元都存儲一個信號，該信號可以傳輸給其他神經(jīng)元。大型神經(jīng)網(wǎng)絡具有許多隱藏層的使用被稱為深度學習。

28.對象識別

AI和計算機視覺的子領域，旨在識別圖像中包含的一個或多個對象。對象識別與圖像識別有關，但與圖像識別不同。例如，給定足球比賽的圖像，圖像識別模型可能僅返回“足球比賽”，而對象識別模型將返回圖像中的不同對象（例如“球員”，“足球”，“目標，”等）。

29.預先訓練的模型

已經(jīng)在一組輸入訓練數(shù)據(jù)上進行訓練的AI模型。給定輸入后，預先訓練的模型可以快速返回對該輸入的預測，而無需再次訓練模型。預訓練的模型也可以用于轉移學習，即將知識應用于不同但相似的問題（例如，從認可汽車制造商到卡車制造商）。

30.分割

AI和計算機視覺的子領域，旨在將圖像或視頻分為多個部分（例如，背景和不同的對象）。例如，一群人的圖像可能被分割成每個人的輪廓以及圖像的背景。圖像分割被廣泛用于諸如醫(yī)療保健之類的應用（例如，識別醫(yī)學圖像中的癌細胞）。

31.情感檢測

AI和計算機視覺的一個子領域，旨在了解給定文本的語氣。這可以包括確定文本是否具有肯定，否定或中立的意見，或者是否包含某種情感狀態(tài)（例如“悲傷”，“生氣”或“快樂”）。

32.標記

使用單個標簽標記輸入數(shù)據(jù)以準備進行AI訓練的過程。標記與注釋類似，但是對每條輸入數(shù)據(jù)僅使用一個標簽。例如，如果要對不同品種的狗執(zhí)行圖像識別，則標簽可以是“金毛獵犬”，“斗牛犬”等。

33.視頻分析

使用AI和計算機視覺自動分析視頻內容。這可以包括面部識別，運動檢測和/或物體檢測。視頻分析廣泛用于安全，建筑，零售和醫(yī)療保健等行業(yè)，其應用范圍從預防損失到健康與安全。

審核編輯：湯梓紅