厉害|人工智能“世界杯”360夺冠 刷新谷歌微软的“世界记录”

2017 年 7 月 22 日 全球人工智能

欢迎加入全球最大AI社群>>

近日,有人工智能“世界杯”之称的ImageNet大规模视觉识别挑战赛(ILSVRC-2017)正式落幕。在本届大赛中,360人工智能团队最终夺得冠军,并且刷新了此前谷歌、微软、牛津大学等机构保持数年的世界纪录。

ImageNet大规模视觉识别挑战赛被誉为计算机视觉乃至整个人工智能发展史上的里程碑式的赛事。本届比赛共吸引了来自中美英等7个国家的25支顶尖人工智能团队参赛。赛事共包括物体定位(识别)、物体检测、视频物体检测三大类任务。最终,由360人工智能研究院与新加坡国立大学(NUS)组成的团队在“物体定位”任务的两个场景竞赛中均获得第一,同时在所有任务和场景中均取得了全球前三的骄人战绩。

360人工智能研究院院长颜水成表示:“很高兴能够在ImageNet上取得佳绩,这也反映了360人工智能技术,特别是在视觉识别方面的领先实力。360非常重视人工智能在垂直领域的发展,并将人工智能技术积极应用到各类产品中。当下人工智能的发展不能脱离具体业务,需要在垂直领域去解决具体的问题,能落地的人工智能才是真正的人工智能。”

图1:使用训练数据进行分类+定位的模型训练

物体定位(识别)、物体检测、视频物体检测都是计算机视觉的核心领域,对于人工智能的发展意义重大,有广阔的应用前景,比如人脸识别、无人驾驶、智能机器人(18.650, 0.13,0.70%)等。在本届赛事中,“物体定位”任务共包括两大场景,即“使用训练数据进行训练”,与“使用额外训练数据进行训练”。

在上述任务中,360与NUS团队合作提出的“DPN 双通道网络+基本聚合”深度学习模型均取得了最低的定位错误率,分别为0.062263和0.061941。值得一提的是,谷歌、微软、牛津大学等一直在此项任务中保持世界领先地位。此次,该项纪录最终被360与NUS团队成功改写。

图2:使用额外训练数据进行分类+定位模型的训练

计算机视觉识别是人工智能领域的经典命题,长久以来一直受到学术界和产业界的广泛关注。ImageNet不但是计算机视觉发展的重要推动者,也是深度学习热潮的关键驱动力之一。从 2010 年以来,ImageNet 每年都会举办一次全球性竞赛,即 ImageNet 大规模视觉识别挑战赛。来自全球各国的顶级人工智能团队会在赛事中相互较量,比拼对物体和场景进行分类和检测的能力。这些团队既包括谷歌、微软、Facebook等大型互联网公司,也包括伯克利、牛津大学等世界顶级名校。整个赛事也成为了各团队、巨头展示实力的竞技场。

任何成绩的取得都不是一蹴而就的,而是来自于长期的积累。颜水成表示,一直以来 ,360人工智能研究院在计算机视觉领域持续投入研发。在长时间的研究工作中,打造了一支实力强大的人工智能团队,对于计算机视觉领域有深刻的理解。

安全与智能是360当前两大重点。360人工智能研究院立足于世界领先的深度学习研发能力,发力视觉、语音、语义和大数据四个方向,向360相关业务部门提供技术输出,并完成人工智能相关方向的原始技术积累和前沿探索。

目前,研究院的人工智能技术已经广泛应用于360的全系列产品中,包括直播、智能硬件、搜索和信息流等业务。未来,研究院将会推动360在人工智能方面的技术实现突破性进展。其中,视觉技术将进一步提升,优化识别物体、行为等,并拓展到SLAM领域;语音分析将增强合成真实感,提高识别准确度,逐步建立基于NLP语义的对话系统;大数据技术的提高将带动广告、精准推荐等。

热门文章推荐

重磅|中国870家ai公司融资905亿人民币!

浙大女科学家解密:从最后一面逆袭第一名!

资料|麻省理工课程:深度学习数据基础(ppt)

推荐|40张动态图详解全部传感器关注原理!

警惕!中国人工智能有一只推荐算法叫:莆田系算法!

百度Apollo:无人驾驶技术发展成熟仅需3年左右!

阿里出了个Take Go无人便利店,比亚马逊还厉害!

大数据:99%的数据是无用的僵尸数据!

突发!长征五号遥二卫星发射任务失败

重磅!微软宣布业务重点调整将专注ai云

登录查看更多
0

相关内容

【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
301+阅读 · 2019年12月23日
斯坦福&谷歌Jeff Dean最新Nature论文:医疗深度学习技术指南
机器学习预测世界杯:巴西夺冠
新智元
5+阅读 · 2018年6月11日
腾讯AI Lab斩获知识图谱顶级赛事KBP 2017世界冠军
全球人工智能
10+阅读 · 2017年12月1日
人脸识别独角兽之战
数据玩家
6+阅读 · 2017年9月30日
2017人工智能创新公司50强出炉 旷视(Face++)上榜
Megvii旷视科技
3+阅读 · 2017年7月10日
Arxiv
6+阅读 · 2019年8月22日
Arxiv
4+阅读 · 2018年11月6日
Arxiv
7+阅读 · 2018年8月21日
Arxiv
9+阅读 · 2018年5月24日
Arxiv
26+阅读 · 2018年2月27日
VIP会员
Top
微信扫码咨询专知VIP会员