李飞飞的新研究,将让“给AI打工的人”再一次失业

人工智能

617人已加入

描述

你可能听说过,在河南的农村里,在非洲的城市中,每一个你想象不到的地方,有着大量的数据标注员。

他们手动在图片里把每一只花瓶和每一辆汽车框出来,并且标上“花瓶”和“汽车”。一段时间后,这些人把成千上万张标记好的图片打包,发送给远在北京、上海甚至旧金山的AI公司。

GQ将这些人称为《那些给人工智能打工的人》。

图片来自G

人工智能发展迅速,大大小小的互联网科技公司相继开展研究,投入商用。然而训练一个可用的AI,需要大量准确标记好的图片、视频等资料。

正因为此,市场对数据标注的需求如此之大,吸引“那些给AI打工的人”争相加入,其中不乏原来找不到工作的闲散人员——毕竟这份工作只需要动动鼠标,用不上太多知识。

但是,恐怕不久后,这些人就将再次失业。

上周,来自约翰·霍普金斯大学、斯坦福大学和Google的专家联合发布了一篇论文,介绍了他们使用神经网络来自动搜索神经网络,将其投入图像分割方面的研究,并且取得的重要进展:

研究人员采用神经架构搜索(NeuralArchitectureSeartch,NAS)技术设计了一个神经架构(A),放任它去自动搜索/设计出新的神经架构(B),投入到图像语义分割(semanticimagesegmentation)的任务中。

研究人员发现,这个被自动搜索出来的神经架构B,在主流的小规模图像数据集上,未经训练就直接使用,表现已经超过了现有人类设计的、预先训练好的模型。

用人话来说:

以往人们一直相信,设计AI需要大量知识和经验,简而言之就是需要人来设计。

但现在,AI设计出的AI,已经比人设计出的AI更强。

论文的名字叫做《Auto-DeepLab:HierarchicalNeuralArchitectureSearchforSemanticImageSegmentation》[2]。

研究人员将这个能够自动搜索(设计)神经架构的技术命名为Auto-DeepLab。这个名字来自于DeepLab,Google人工开发的图像语义分割技术。前面加上Auto,意思是在DeepLab的基础上,新的技术可以实现了很大程度的自动化。

论文署名作者当中,两人来自约翰·霍普金斯大学,其中第一作者是ChenxiLiu,曾在Google实习;有四人来自Google;剩下的一人来自斯坦福大学,正是原GoogleCloud首席科学家,在计算机视觉学术和业界知名的李飞飞教授。

“本着AutoML(编者注:Google主导的AI计划,将算法选择,模型的超参数调整,迭代建模和模型评估等工作自动化。)和人工智能普及化的精神,对于不依赖专家经验知识,自动设计神经网络架构,人们的兴趣有了显著提升。”论文作者提到。

AI

在“AI自动设计AI”这件事上,Auto-DeepLab有几个比较重要的新尝试。

首先,神经架构搜索NAS技术是AI领域的新兴物种,主要用于简单的图片分类。而在这篇论文里,研究者首次尝试将NAS投入到高密度的图片预测任务上(也就是对更复杂的高分辨率图片进行语义分割,比如Cityscapes城市街景数据集、PASCALVOC2012和ADE20K等数据集)。

其次,在计算机视觉领域内的神经网络架构,通常分为内层、外层的两级架构,自动化的神经架构设计往往只能设计内层,外层仍需要人来设计和手调。而Auto-DeepLab是第一个让AI掌握外层设计和调参能力,并在图像语义分割任务上得到优异结果的尝试。

“图像语义分割”六个字听上去有点拗口,其实很好理解:对于一张图划分几个类别,然后将所有的像素点归类。

比如下面这张图,可以简单分为三类。图像语义分割的任务,就是判断每一个像素点属于人、自行车,还是背景。

图片来自Jeremy Jordan :Anover view of semantic image segmentation

需要明确的是,图像语义分割的任务纯粹是判断像素点属于哪个类别,它不能识别和区分独立的物体。

不过图像语义分割仍然有很重要的意义,比如在它可以用于手机拍照的“人像模式”。采用更优秀的图像语义分割技术,手机能够在更高精度的照片里确认每一个像素点,属于人,亦或是背景。

目前Google、小米等公司都在手机拍照上使用这一技术。理论上,未来的“人像模式”可以在毛发、衣物边缘实现更好的效果。

图片来自红米手机广

以及在自动驾驶的场景里,神经网络需要判断挡在前面的是车、行人还是建筑物,进而采用不同策略进行躲避,这同样需要图像语义分割来打基础。

图片来自Karol Majek:Tensorflow DeepLab v3 Xception Cityscapes

从该论文体现的效果来看,Auto-DeepLab还可以被转移、泛化到其他任务上。言外之意,让AI自动设计AI这件事,可能还会有很大的想象空间。

比如作者在论文最后提到,在目前的研究框架内,他们可以继续在物体识别的方向进行研究。

硅星人认为,如果能够取得类似的结果,这将意味着在数据标注(特别是图像标注)这件事上,人类标注员的准确度、成本等优势会进一步消失。

人工智能可以给人工智能打工,打工效率比人还高。

届时,“那些给人工智能打工的人”可能又会失去工作了……

本文来源:硅星人

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分