致力于机器智能

与Shield AI高级工程师Amin Rahimi的对话 在加入Shield AI之前,我是太平洋SPAWAR系统中心的无人系统组的电气工程师和程序员。 在SPAWAR的十一年中,我参与了多个项目,包括用于地面车辆有效载荷的电气设计,命令和控制用户界面开发,用于地面车辆的自主堆栈以及用于地面车辆的GPS拒绝导航。 在意识到自己对机器智能的热情之前,我接触过机器人并在许多不同的方面工作过。 尽管智能领域令人兴奋且令人鼓舞,但它也带来了一系列独特的挑战。 智能是一种数据驱动的技术,我们可以产生很多数据。 事实上,要进行如此多的注释,管理,消毒和分发,使其在研究和生产环境中都可以扩展,就需要周密考虑和执行良好的基础架构。 这本身就需要一支由专门的工程师组成的团队来完成这项任务,而且还远远没有解决问题。 情报方面的大量研究旨在探索该技术的功能,而我们需要确定将这些功能实现到产品上的可行性和实用性。 在旨在保护生命的系统中,可靠性至关重要。 机器学习通常可以理解所看到的数据,因此我们的工作是处理数据,以避免偏向任何单一环境,并确保机器人可以理解新经验并从中学习。 这些是持续存在的挑战,除了学习算法本身的开发和实现以外,我们还不断解决这些挑战。 以我的经验,嵌入式系统中的计算能力和深度学习的根本进步(从AlexNet的出现开始)一直是自治发展的关键因素。 一次任务后,我们曾经不得不在系统外进行后处理,现在可以在机上实时进行。 曾经极具挑战性的问题,例如行人移动检测,现在不仅可以在现代嵌入式系统上实现,而且对于普通的机器人爱好者来说,它们都是python库。…

神经风格转换的直觉

关于我的这篇文章将介绍神经样式转换中发生的一切。 正如他们所说,我无法解释,我无法理解! 在以后的文章中,我会尽量避免使用数学。 因此,我们从CNN开始,例如VGG 19(在py图像搜索中对架构进行了很好的解释。直观地,分类卷积网络的较低层检测边缘和形状,而较高层检测较高阶的组合,最终导致整个对象。 在这种情况下,让我们通过内容和样式定义神经网络的含义。 内容来自较低级别的功能-基本的线条和边缘检测过滤器。 当我们的内容图像(在上面,是我父亲的照片)通过时,我们从这些较低级别中提取VGG激活。 样式来自上层(通常不是最后一层,而是中间层)。 这些层的工作是绘制低层特征组合在一起成为高层结构的方式。 在输入样式图像后,我们从VGG层中提取激活。 在样式转换操作中,一个小型的神经网络学习了一个功能,可以相当快地重新创建内容特征,从而为您提供了接近原始内容图像的副本。 然后,它还尝试最小化样式图像的高层样式特征之间的距离。 对这些过程中的每一个进行加权可帮助此过程介于两者之间。 那么,我们可以从高水平中学到什么呢? 至少在我看来,艺术风格(至少在代表性艺术中是)是中级分组,着色和平滑处理,将低级像素特征部分转化为相同信息的更心理压缩的地图。 跳得太多吗? 听我说。…