计算机视觉的增长加快了步伐

作者:Tigervs    发布时间:2019-07-25    浏览量:

Woodside Capital在2018年嵌入式视觉峰会上提供的数据显示,在过去的六年中,美国和中国的视觉公司增长了100倍。这些投资 - 以及其他未反映在这些数据中的投资,例如在其他国家进行的投资和公司的内部投资 - 使公司能够迅速加速其与视觉相关的研究,开发和部署活动。

计算机视觉

为了帮助理解基于视觉的系统,设备和应用程序开发中的技术选择和趋势,嵌入式视觉联盟对产品开发人员进行年度调查。最近一次于11月完成; 93%的受访者表示他们预计未来一年组织的视力相关活动会增加(61%的受访者预计会有大幅增加)。当然,这些公司希望他们不断增加的开发投资转化为增加的收入。市场研究人员同意 Tractica的研究预测,从现在到2025年,计算机视觉硬件,软件和服务的收入将增长25倍,达到260亿美元。

三个基本因素正在推动视觉感知的加速扩散:首先,它适用于各种各样的实际应用; 第二,它可以低成本部署,功耗低; 它越来越多地被非专业人士使用。此外,这些因素有四个主要趋势:深度学习; 3D感知; 快速,廉价,高能效的处理器; 以及硬件和软件的民主化。

深度学习deep learning

深度学习deep learning

传统上,计算机视觉应用程序依赖于为每个特定应用程序和用例精心设计的高度专业化算法。与传统算法相比,深度学习使用广义学习算法,这些算法通过示例进行训练。深度神经网络(DNN)已经改变了计算机视觉,在诸如识别对象,定位帧中的对象以及确定哪些像素属于哪个对象的任务上提供了优异的结果。即使以前被传统技术“解决”的问题,现在也可以通过深度学习找到更好的解决方案。

因此,计算机视觉开发人员正在采用深度学习技术。在联盟最近的调查中,59%的视觉系统开发人员使用DNN(两年前增加了34%)。另有28%的人计划在不久的将来使用DNN进行视觉情报。

3D视觉感知

3D视觉感知

许多视觉系统中的2D图像传感器可实现极大的视觉功能。但添加深度信息可能非常有价值。例如,对于基于姿势的用户界面,不仅能够辨别横向运动而且能够辨别垂直于传感器的运动的能力极大地扩展了系统可以识别的各种姿势。

在其他应用中,深度信息可提高准确性。例如,在面部识别中,深度感测对于确定被感测的对象是实际面部而不是照片是有价值的。在移动系统中,例如移动机器人和汽车,深度信息的价值是显而易见的。

从历史上看,深度感应一直是一种奇特的,昂贵的技术,但这种情况发生了巨大变化。微软Kinect以及最近在移动电话中使用光学深度传感器促进了创新的快速加速,从而使深度传感器小巧,廉价且节能。

系统开发人员并未丢失此更改。参与该联盟最新调查的开发商中有34%已经在使用深度感知,另外29%(从一年前的21%上调)计划将深度纳入各个行业的即将开展的项目中。

快速,廉价,高能效的处理器

快速,廉价,高能效的处理器

可以说,推动视觉感知广泛部署的最重要因素是更好的处理器。视觉算法通常对计算性能有巨大的兴趣。以可接受的成本和功耗实现所需的性能水平是一项共同的挑战,尤其是将视觉部署到对成本敏感且电池供电的设备中时。

幸运的是,在过去几年中,为计算机视觉调整的处理器的开发出现了爆炸式增长。这些专用处理器即将上市,在性能,成本,能效和易开发性方面实现了巨大的改进。

由于两个原因,越来越多的深度学习采用了高效处理器的进步。首先,深度学习算法往往需要比传统计算机视觉算法更高的处理性能,从而放大了对更高效处理器的需求。其次,最广泛使用的深度学习算法共享许多共同特征,这简化了设计旨在非常有效地执行这些算法的专用处理器的任务。

今天,通常,计算机视觉算法使用通用CPU和专用并行协处理器的组合。从历史上看,GPU一直是最受欢迎的协处理器类型,因为它们可以广泛使用并且具有良好的编程工具支持。目前,有更广泛的协处理器选项,新型协处理器通常可以提供更高的效率。需要权衡的是,这些较新的处理器可用性较低,开发人员不太熟悉,而且尚未得到成熟开发工具的支持。

根据最新的嵌入式视觉联盟开发人员调查,近三分之一的受访者使用深度学习专用协处理器。考虑到几年前不存在深度学习专用处理器,这是非常了不起的。

计算机视觉的民主化

通过“民主化”,我们意味着开发基于计算机视觉的算法,系统和应用程序以及大规模部署这些解决方案变得更加容易 - 使更多的开发人员和组织能够将愿景融入他们的系统中。是什么推动了这一趋势?一个答案是深度学习的兴起。由于深度学习算法的普遍性,通过深度学习,开发专门算法的需求较少。相反,开发人员的重点可以转移到在可用算法中进行选择,然后获得必要数量的训练数据。

另一个关键因素是云计算的兴起。例如,现在工程师可以即时访问云中的预配置开发环境,而不是花费数天或数周来安装和配置开发工具。同样,当需要大量计算能力来训练或验证神经网络算法时,可以在云中快速且经济地获得该功率。云计算为许多基于视觉的系统的初始部署提供了一条简单的途径,即使最终开发人员将转向基于边缘的计算,例如降低成本。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1