|
在与AI相关的众多好处中，最重要的是预测和推荐的能力，最终使每个行业都受益。此外，人工智能有助于改善营销工作，支持与用户的对话并增加用户参与度。
我们已经在2020年看到了激烈且确定的趋势，其中包括AI为企业提供了令人难以置信的解决方案。
以下是将改变2020年及未来发展趋势的八个AI趋势：
1. 数据综合方法的使用
人工智能依赖于深度学习和机器学习方法来引入和增强各种系统。使用深度学习方法开发的预训练模型高度依赖于实际数据。但是，按时获取数据并设法将其合并到现有系统中可能是一个挑战。这就是AI朝着新的更好数据发展的原因。
如上图所示，经过重新学习的网络实现了 ≥0.94 的图像保真度（这里指输入字母和重构字母之间的差异），说明这种方法具有高度适应性，在学习新数据类型时可以更加高效，不受输入数据多样性的限制。
论文合著者之一 Romain Fleury 强调了这一方法的独特性：
通过使用长度大约为一米的声波，生成分辨率仅为几厘米的图像，我们远远超过了衍射极限。与此同时，超材料吸收信号曾被认为是一个很大的缺点，但事实证明，与神经网络相结合时，它成了一种优势。
实际上研究小组还认为，这一方法能在声学图像分析、特征检测、对象分类中进行应用，或是在生物医学应用中作为一种新型无标记声学传感工具。正如论文合著者之一 Romain Fleury 所说：
在医学成像领域，使用长波来观察非常小的物体将会是一个重大突破。长波意味着医生可以使用更低的频率，即便面对着致密的骨组织，也能获取到有效的声学成像。
在初步证明了神经网络能够从远场中记录的幅度相位分布恢复初始的亚波长图像之后，该小组又有了一个新目标：证实该网络在新数据库中快速重新学习的能力。
据了解，研究小组创建了一个包含 600 个培训样本和 200 个测试样本的新数据集，其中包含四个字母 E、 F、L 和 P，然后在这个新的、较小的数据集上重新训练 U -net 型卷积神经网络，要求神经网络对数据集中的未知字母进行分类和重构。
如 a 部分所示，放置在远场中的麦克风阵列捕获的信号不包含关于声源的亚波长细节的任何信息，换句话说，不管使用什么信号处理策略，都不可能实现成像。
如 b 部分所示，随机插入了一簇亚波长亥姆霍兹谐振器之后，关于亚波长细节的信息辐射到了远场中。
如 c 部分所示，小组将麦克风阵列采集到的远场幅值和相位输入到神经网络中。
小组使用了两种不同类型的神经网络，一是 U -net 型卷积神经网络，用于图像重建；二是多层并行 CNN，用于图像分类。
分辨率和分类精度的显著提升
实验结果表明，在没有金属元素的情况下， U -net 型卷积神经网络难以重建图像；而多层并行 CNN 的分类性能相对较高，近场和远场分别为 67.5％ 和 57.5％。
（编辑：鹰潭站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
