為了幫助同事和客戶了解更多有關(guān)計(jì)算機(jī)視覺和AI的更多信息，我們言簡意賅介紹一些計(jì)算機(jī)視覺和AI術(shù)語，希望能幫助到大家。

01.AI API

一個(gè)應(yīng)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(wù)，AI API使開發(fā)人員不必在內(nèi)部構(gòu)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(shè)置（稱為“超參數(shù)”），訓(xùn)練AI算法的結(jié)果。AI模型是一種簡化的表示形式，它試圖封裝AI算法在訓(xùn)練過程中學(xué)習(xí)到的所有內(nèi)容。AI模型可以共享并在新數(shù)據(jù)上重用，以用于實(shí)際環(huán)境中。

04.AI平臺

供用戶構(gòu)建，部署和管理利用人工智能的應(yīng)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(yù)先訓(xùn)練的模型的結(jié)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(xùn)練

訓(xùn)練一個(gè)或多個(gè)AI模型的過程。在訓(xùn)練過程中，AI通過查看越來越多的輸入數(shù)據(jù)來對“學(xué)習(xí)”進(jìn)行建模。在對給定輸入進(jìn)行預(yù)測之后，AI模型會發(fā)現(xiàn)其預(yù)測是否正確；如果不正確，它將調(diào)整其參數(shù)以解決該錯(cuò)誤。

06.注釋

為AI訓(xùn)練做準(zhǔn)備而對輸入數(shù)據(jù)進(jìn)行標(biāo)記的過程。在計(jì)算機(jī)視覺中，必須根據(jù)您希望AI模型執(zhí)行的任務(wù)對輸入的圖像和視頻進(jìn)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(gè)對象的位置和形狀。

07.計(jì)算機(jī)視覺

計(jì)算機(jī)科學(xué)，人工智能和機(jī)器學(xué)習(xí)的子領(lǐng)域，旨在為計(jì)算機(jī)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(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)視覺在準(zhǔn)確性和速度方面取得了長足的進(jìn)步。

08.數(shù)據(jù)收集

積累大量信息以訓(xùn)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(jìn)行批注或標(biāo)記以用于AI培訓(xùn)。

09.深度學(xué)習(xí)

人工智能和機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，它使用具有多個(gè)“隱藏”（深度）層的神經(jīng)網(wǎng)絡(luò)。得益于算法的改進(jìn)和技術(shù)的進(jìn)步，近年來，深度學(xué)習(xí)已成功地用于訓(xùn)練可以執(zhí)行許多類似于人類的高級任務(wù)（從識別語音到識別圖像內(nèi)容）的AI模型。

10.密集分類

一種僅通過幾個(gè)例子就可以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的方法，該方法最初由Lifchitz等人在2019年學(xué)術(shù)論文《密集分類和植入以進(jìn)行少量學(xué)習(xí)》中首次提出。廣義上講，密集分類鼓勵(lì)網(wǎng)絡(luò)查看其試圖識別的對象的各個(gè)方面，而不是僅關(guān)注一些細(xì)節(jié)。

11.Edge AI

使用在邊緣設(shè)備上運(yùn)行的AI和機(jī)器學(xué)習(xí)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?yàn)椴槐赝涤谠浦g來回發(fā)送數(shù)據(jù)），從而可以進(jìn)行實(shí)時(shí)決策。

12.邊緣設(shè)備

連接到Internet的硬件設(shè)備，是物聯(lián)網(wǎng)（IoT）的一部分，并充當(dāng)IoT網(wǎng)絡(luò)中的網(wǎng)關(guān)：一方面，本地傳感器和收集數(shù)據(jù)的設(shè)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(jié)果，許多邊緣設(shè)備都能夠在本地執(zhí)行計(jì)算，而不是將這種責(zé)任轉(zhuǎn)移到云上。

13.集成學(xué)習(xí)

使用來自在相同輸入（或相同輸入的樣本）上訓(xùn)練的多個(gè)AI模型的預(yù)測，以減少錯(cuò)誤并提高準(zhǔn)確性。由于訓(xùn)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(jié)果。集成學(xué)習(xí)結(jié)合了所有這些模型的預(yù)測（例如，通過多數(shù)表決），以提高性能為目標(biāo)。

14.面部認(rèn)證

面部識別的一個(gè)子領(lǐng)域，通常出于安全目的，旨在驗(yàn)證一個(gè)人的身份。面部認(rèn)證通常是在邊緣設(shè)備上執(zhí)行的，邊緣設(shè)備足夠強(qiáng)大，可以幾乎立即并以很高的準(zhǔn)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(rèn)證（識別征得其同意的個(gè)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(jì)算機(jī)，智能手機(jī)和嵌入式系統(tǒng)的專用硬件設(shè)備，最初用于實(shí)時(shí)計(jì)算機(jī)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(yīng)用程序，包括訓(xùn)練AI模型。

17.散列

數(shù)學(xué)函數(shù)（稱為“散列函數(shù)”）的結(jié)果，該函數(shù)將任意數(shù)據(jù)轉(zhuǎn)換為唯一（或幾乎唯一）的數(shù)字輸出。例如，在面部認(rèn)證中，復(fù)雜的哈希函數(shù)對用戶面部的識別特征進(jìn)行編碼，并返回?cái)?shù)值結(jié)果。當(dāng)用戶嘗試訪問系統(tǒng)時(shí)，他們的面孔會被重新著色并與現(xiàn)有哈希進(jìn)行比較以驗(yàn)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(nèi)容），使用AI和機(jī)器學(xué)習(xí)對圖像和視頻等視覺數(shù)據(jù)進(jìn)行自動“豐富”。例如，在媒體行業(yè)，圖像豐富化可用于快速準(zhǔn)確地標(biāo)記在線零售列表或新的代理商照片。

19.圖像質(zhì)量控制

使用AI和機(jī)器學(xué)習(xí)對視覺數(shù)據(jù)（例如圖像和視頻）執(zhí)行自動質(zhì)量控制。例如，圖像質(zhì)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(nèi)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(jì)算機(jī)視覺的一個(gè)子領(lǐng)域，旨在通過高層次描述圖像內(nèi)容來識別圖像內(nèi)容。例如，訓(xùn)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(gè)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(shè)備和傳感器網(wǎng)絡(luò)，可通過互聯(lián)網(wǎng)進(jìn)行通信和交換信息。作為發(fā)展最快的技術(shù)趨勢之一（估計(jì)每秒連接127個(gè)新設(shè)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(biāo)簽

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

23.活體檢測

面部認(rèn)證系統(tǒng)的一種安全功能，可驗(yàn)證給定的圖像或視頻是否代表真實(shí)的真實(shí)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(jìn)行活動檢測對于防范惡意行為者至關(guān)重要。

24.機(jī)器學(xué)習(xí)

人工智能和計(jì)算機(jī)科學(xué)的一個(gè)子領(lǐng)域，研究可以通過獲得更多經(jīng)驗(yàn)或查看更多數(shù)據(jù)來隨著時(shí)間的流逝而不斷提高自己的算法。機(jī)器學(xué)習(xí)既包括監(jiān)督學(xué)習(xí)（在監(jiān)督學(xué)習(xí)中為算法提供了預(yù)期的結(jié)果或標(biāo)簽），也包括無監(jiān)督學(xué)習(xí)（在該監(jiān)督中算法必須在未標(biāo)記的數(shù)據(jù)中找到模式）。

25.機(jī)器視覺

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

26.元數(shù)據(jù)

描述并提供有關(guān)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(shù)性（例如攝像機(jī)類型和設(shè)置），描述性（例如作者，創(chuàng)建日期，標(biāo)題，內(nèi)容和關(guān)鍵字）和管理性（例如聯(lián)系人信息和版權(quán)）。

27.神經(jīng)網(wǎng)絡(luò)

一種AI和機(jī)器學(xué)習(xí)算法，旨在模仿人腦的高級結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)有許多相互連接的人工“神經(jīng)元”，它們排列成多層，每個(gè)神經(jīng)元都存儲一個(gè)信號，該信號可以傳輸給其他神經(jīng)元。大型神經(jīng)網(wǎng)絡(luò)具有許多隱藏層的使用被稱為深度學(xué)習(xí)。

28.對象識別

AI和計(jì)算機(jī)視覺的子領(lǐng)域，旨在識別圖像中包含的一個(gè)或多個(gè)對象。對象識別與圖像識別有關(guān)，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(biāo)，”等）。

29.預(yù)先訓(xùn)練的模型

已經(jīng)在一組輸入訓(xùn)練數(shù)據(jù)上進(jìn)行訓(xùn)練的AI模型。給定輸入后，預(yù)先訓(xùn)練的模型可以快速返回對該輸入的預(yù)測，而無需再次訓(xùn)練模型。預(yù)訓(xùn)練的模型也可以用于轉(zhuǎn)移學(xué)習(xí)，即將知識應(yīng)用于不同但相似的問題（例如，從認(rèn)可汽車制造商到卡車制造商）。

30.分割

AI和計(jì)算機(jī)視覺的子領(lǐng)域，旨在將圖像或視頻分為多個(gè)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(gè)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(yīng)用（例如，識別醫(yī)學(xué)圖像中的癌細(xì)胞）。

31.情感檢測

AI和計(jì)算機(jī)視覺的一個(gè)子領(lǐng)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(biāo)記

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

33.視頻分析

使用AI和計(jì)算機(jī)視覺自動分析視頻內(nèi)容。這可以包括面部識別，運(yùn)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(yīng)用范圍從預(yù)防損失到健康與安全。

審核編輯：湯梓紅