人工智能早已不是科学幻想，它是一种已经应用到我们生活方方面面的技术。 例如，为了应对新冠疫情，许多公司安装了**人脸识别系统**，在进行肺炎筛查的时候，需要**快速诊断肺部CT影像**，在路上开车违章，会被**电子眼抓拍罚款**…这里的**人脸识别、CT影像识别、车牌识别**，统统用到了人工智能。除此之外，手机上的各种**语音助手软件、智能音箱、美颜软件、短视频平台的推荐机制、电子邮件的防垃圾邮件系统**，也都是人工智能的应用。在未来我们要实现的**自动驾驶、智慧工业**等领域，人工智能也是不可或缺的。如果把人工智能从我们的生活中剥离，人类恐怕要退回三十年前。 人工智能并不是一个新生的科学概念。在上古时代，东西方文明中都出现了人造人的神话。到了二十世纪30-50年代，由于神经生物学、计算机科学、数学等学科的发展，人工智能第一次进入了科学家的视野。 1950年，英国计算机科学家图灵提出了一个问题：机器会思考吗？  图灵提出了一种测试机器智能的标准——图灵测试：一个人C通过文字等方式与另一个人A和一个计算机B交流，他能否通过一连串的问题区分A和B哪个是人，哪个是计算机？如果人类无法区分出A和B，就称计算机通过了图灵测试。  图灵预言：到2000年时，计算机在经过五分钟的提问之后，就会骗过30%的人类，让人相信对方是真实的人类，而非计算机。图灵测试每年都会举办，在2014年时终于有一个人工智能软件被33%的人类认为是一个13岁的小男孩，通过了图灵测试，这个软件叫做尤金·古斯特曼。 ------------ 其实这个很简单，我经常觉得是人工智能打电话过来的时候，我觉得不对劲呐，我就会问一句：“你是真人还是机器人？”就这一个问题，通过他的回答就可以识别出他是人工智能还是真人。

人工智能受到人们的广泛关注可能始于alfgo和韩国职业围棋手李世石的对决。在这场对决中，alfgo战胜围棋职业选手，展示了AI发展的巨大潜力。走出赛场，你会发现人工智能发展至今近七十年，目前已经走进千家万户的生活，智能家电、自动驾驶汽车、智能机器人……可以说人工智能已经无处不在。事实上，我国人工智能的研究始于20世纪70年代末。虽然我国人工智能起步较西方国家晚，但发展势头迅猛。在我国的“十四五”规划中，国家明确提出要将数字经济核心产业增加值占GDP比重由2020年的7.8%提高到10%。人工智能作为数字经济的核心生产力，充分发挥新型信息基础设施的作用，有效拉动数字经济增长。2020年我国数字经济规模为39.2万亿元，占GDP比重达到38.6%。在国家政策支持下，人工智能表现出了对数字经济的巨大推动作用。人工智能目前已经渗透到经济生产活动的主要环节。在企业设计、生产、管理、营销、销售多个环节中不难发现人工智能的身影。随着“十四五”规划政策落地，政务线上化、数字化、智能化成为必然趋势。从分布上来看，目前，我国人工智能企业主要分布在京津冀、长三角、珠三角、川渝四大都市圈。京津冀区域竞争力最强，长三角位列第二，珠三角位列第三。从企业来看，百度、腾讯、华为等企业发展人工智能方面多项AI技术开花。百度专注于自动驾驶、语音识别和深度学习。百度旗下的自动驾驶平台apollo，在近期完成了无人车队的首次直播，展现了AI面对复杂路况的处理能力；腾讯则专注于医疗影像、计算机视觉和语音识别。其推出的腾讯觅影是腾讯公司首款将人工智能应用在医学领域的AI产品。此外人工智能平台小微可以将连接的设备变成兼具试听感知能力的设备实现人机互动和音视频服务；华为将重心放在机器视觉和智能协作上。主要产品有车辆微卡口相机、电警卡口摄像机、态势感知摄像机。在办公方面，以“智慧办公，一站到位”推出华为Debub办公宝为口号。在头部企业的带动下，我国的人工智能市场规模也进一步扩大，IDC 预测,全球 AI 市场规模将在 2021 年达到 885.7 亿美元，并在 2025 年增至 2218.7 亿美元，五年复合增长率(CAGR)约为 26.2%。2025 年，中国约占全球总规模 8.3%，位列单体国家第二。随着AI应用的不断落地，中国市场规模将以24.4%的CAGR增长，有望在2025年超过184.3亿美元。" 十四五 " 规划纲要将 " 新一代人工智能 " 作为议题重点提及，加上新基建、数字经济在内的持续利好政策促进了产业智能化升级。IDC 中国人工智能高级分析师程荫表示：" 人工智能是十四五规划中数字产业化聚焦的 7 大重点领域之一，智能化转型也是国企未来 3 年的工作重点，越来越多的传统企业开始进行智能化升级，或者加大内部 AI 研发力量的投入，这都将为 AI 市场的进一步发展带来机会，未来五年内中国 AI 支出还将持续增长。"转载自 中国AI网

人工智能作为科技创新产物，在改变人类生产方式、促进社会进步、增进产业发展等方面发挥着越来越重要的作用。人工智能的应用场景也不断拓展细分，正通过“+AI”赋能百业，主要的应用场景包括： **1. 智能企服。** 将人工智能、大数据、云计算等新一代信息技术融合应用于企业服务领域，实现企业服务领域各项产品及服务的云端化、智能化和集成化，进一步辅助用户企业降低时间成本、人力成本，辅助提升用户企业的管理效率、生产效率和销售效率。智能企服主要包括AI营销、AI协同办公&视频、AI业务流程、AI供应链管理4个细分领域。 **2. 智能医疗** 将物联网、大数据、人工智能等前沿技术集成应用于医疗卫生领域，实现健康医疗服务的数据化、标准化和智能化，以提升医疗的品质、效率与效益、合理优化健康医疗资源配置。智能医疗产业主要包含AI医学影像、AI医疗机器人、AI健康管理、AI公共卫生、AI药物研发、AI医院管理、AI精准医疗、AI医疗支付等8个细分领域。 **3. 智能金融** 人工智能与金融全面融合，以人工智能、大数据、云计算、区块链等新科技为核心赋能金融机构，提升金融机构的服务效率，拓展金融服务的广度和深度，实现金融服务的智能化、个性化及定制化。智能金融主要包含智能支付、智能风控、智能保险、智能投顾4个细分领域。 **4. 智慧交通** 充分运用物联网、空间感知、云计算、移动互联网等新一代信息技术，综合利用交通科学、系统方法、人工智能、知识挖掘等理论与工具，建设与汇集实时的动态交通信息，深度挖掘数据并形成问题分析模型，使交通系统在区域、城市甚至更大的时空范围具备感知、互联、分析、预测、控制等能力。随着车联网和系统集成应用的发展，智能交通的市场规模和用户类型不断扩大和丰富，日益成为城市大行业应用场景。 **5. 智能视听** 智能视听是将人工智能、5G网络通信、大数据、云计算等新兴技术综合应用在视听领域的制作剪辑、审核评定、传播推广、观看体验等各个环节，在生产端提升视频音频的生产制作效率、降低视频内容审核评定的成本，在用户端实现视频传播推广的个性化、观看方式的多元化、观看内容的定制化。 此外，人工智能的应用场景还在向一些新兴领域拓展。比如元宇宙（Metaverse），即利用区块链、虚拟空间、人工智能、AR/VR等技术，构建一个虚拟的现实世界，在网络世界复制现实社会，通过软硬件设施的辅助，增强虚拟世界的真实性。人工智能物联网（AIOT），即融合人工智能（AI）技术和物联网（IoT）技术，通过物联网产生、收集来自不同维度的、海量的数据存储于云端、边缘端，再通过大数据分析，以及更高形式的人工智能，实现万物数据化、万物智联化。

本文分享自华为云社区《[全卷积网络（FCN）实战：使用FCN实现语义分割](https://bbs.huaweicloud.com/blogs/337081?utm_source=csdn&utm_medium=bbs-ex&utm_campaign=other&utm_content=content)》，作者： AI浩。 FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。 下图是语义分割所采用的全卷积网络(FCN)的结构示意图：  # 传统的基于CNN的分割方法缺点？ 传统的基于CNN的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入，用于训练与预测，这种方法主要有几个缺点： 1）存储开销大，例如，对每个像素使用15 * 15的图像块，然后不断滑动窗口，将图像块输入到CNN中进行类别判断，因此，需要的存储空间随滑动窗口的次数和大小急剧上升； 2）效率低下，相邻像素块基本上是重复的，针对每个像素块逐个计算卷积，这种计算有很大程度上的重复； 3）像素块的大小限制了感受区域的大小，通常像素块的大小比整幅图像的大小小很多，只能提取一些局部特征，从而导致分类性能受到限制。 而全卷积网络(FCN)则是从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进一步延伸到像素级别的分类。 # FCN改变了什么? ​ 对于一般的分类CNN网络，如VGG和Resnet，都会在网络的最后加入一些全连接层，经过softmax后就可以获得类别概率信息。但是这个概率信息是1维的，即只能标识整个图片的类别，不能标识每个像素点的类别，所以这种全连接方法不适用于图像分割。 ​ 而FCN提出可以把后面几个全连接都换成卷积，这样就可以获得一张2维的feature map，后接softmax层获得每个像素点的分类信息，从而解决了分割问题，如图4。  # FCN缺点 （1）得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。 （2）对各个像素进行分类，没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。 # 数据集 本例的数据集采用PASCAL VOC 2012 数据集，它有二十个类别： **Person:**person Animal: bird, cat, cow, dog, horse, sheep **Vehicle:**aeroplane, bicycle, boat, bus, car, motorbike, train Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor  下载地址：The PASCAL Visual Object Classes Challenge 2012 (VOC2012) (ox.ac.uk)。 数据集的结构： VOCdevkit └── VOC2012 ├── Annotations 所有的图像标注信息(XML文件) ├── ImageSets │ ├── Action 人的行为动作图像信息 │ ├── Layout 人的各个部位图像信息 │ │ │ ├── Main 目标检测分类图像信息 │ │ ├── train.txt 训练集(5717) │ │ ├── val.txt 验证集(5823) │ │ └── trainval.txt 训练集+验证集(11540) │ │ │ └── Segmentation 目标分割图像信息 │ ├── train.txt 训练集(1464) │ ├── val.txt 验证集(1449) │ └── trainval.txt 训练集+验证集(2913) │ ├── JPEGImages 所有图像文件 ├── SegmentationClass 语义分割png图（基于类别） └── SegmentationObject 实例分割png图（基于目标） 数据集包含物体检测和语义分割，我们只需要语义分割的数据集，所以可以考虑把多余的图片删除，删除的思路： 1、获取所有图片的name。 2、获取所有语义分割mask的name。 3、求二者的差集，然后将差集的name删除。 代码如下： import glob import os image_all = glob.glob('data/VOCdevkit/VOC2012/JPEGImages/*.jpg') image_all_name = [image_file.replace('\\', '/').split('/')[-1].split('.')[0] for image_file in image_all] image_SegmentationClass = glob.glob('data/VOCdevkit/VOC2012/SegmentationClass/*.png') image_se_name= [image_file.replace('\\', '/').split('/')[-1].split('.')[0] for image_file in image_SegmentationClass] image_other=list(set(image_all_name) - set(image_se_name)) print(image_other) for image_name in image_other: os.remove('data/VOCdevkit/VOC2012/JPEGImages/{}.jpg'.format(image_name)) # 代码链接 本例选用的代码来自deep-learning-for-image-processing/pytorch_segmentation/fcn at master · WZMIAOMIAO/deep-learning-for-image-processing (github.com) 其他的代码也有很多，这篇比较好理解！ 其实还有个比较好的图像分割库：GitHub - qubvel/segmentation_models.pytorch: Segmentation models with pretrained backbones. PyTorch. 这个图像分割集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造。在后面的文章，我也会使用这个库演示。 # 项目结构 1. ├── src: 模型的backbone以及FCN的搭建 2. ├── train_utils: 训练、验证以及多GPU训练相关模块 3. ├── my_dataset.py: 自定义dataset用于读取VOC数据集 4. ├── train.py: 以fcn_resnet50(这里使用了Dilated/Atrous Convolution)进行训练 5. ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试 6. ├── validation.py: 利用训练好的权重验证/测试数据的mIoU等指标，并生成record_mAP.txt文件 7. └── pascal_voc_classes.json: pascal_voc标签文件 由于代码很多不能一一讲解，所以，接下来对重要的代码做剖析。 # 自定义数据集读取 my_dataset.py自定义数据读取的方法，代码如下： import os import torch.utils.data as data from PIL import Image class VOCSegmentation(data.Dataset): def __init__(self, voc_root, year="2012", transforms=None, txt_name: str = "train.txt"): super(VOCSegmentation, self).__init__() assert year in ["2007", "2012"], "year must be in ['2007', '2012']" root = os.path.join(voc_root, "VOCdevkit", f"VOC{year}") root=root.replace('\\','/') assert os.path.exists(root), "path '{}' does not exist.".format(root) image_dir = os.path.join(root, 'JPEGImages') mask_dir = os.path.join(root, 'SegmentationClass') txt_path = os.path.join(root, "ImageSets", "Segmentation", txt_name) txt_path=txt_path.replace('\\','/') assert os.path.exists(txt_path), "file '{}' does not exist.".format(txt_path) with open(os.path.join(txt_path), "r") as f: file_names = [x.strip() for x in f.readlines() if len(x.strip()) > 0] self.images = [os.path.join(image_dir, x + ".jpg") for x in file_names] self.masks = [os.path.join(mask_dir, x + ".png") for x in file_names] assert (len(self.images) == len(self.masks)) self.transforms = transforms 导入需要的包。 定义VOC数据集读取类VOCSegmentation。在init方法中，核心是读取image列表和mask列表。 def __getitem__(self, index): img = Image.open(self.images[index]).convert('RGB') target = Image.open(self.masks[index]) if self.transforms is not None: img, target = self.transforms(img, target) return img, target __getitem__方法是获取单张图片和图片对应的mask，然后对其做数据增强。 def collate_fn(batch): images, targets = list(zip(*batch)) batched_imgs = cat_list(images, fill_value=0) batched_targets = cat_list(targets, fill_value=255) return batched_imgs, batched_targets collate_fn方法是对一个batch中数据调用cat_list做数据对齐。 在train.py中torch.utils.data.DataLoader调用 train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, num_workers=num_workers, shuffle=True, pin_memory=True, collate_fn=train_dataset.collate_fn) val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=1, num_workers=num_workers, pin_memory=True, collate_fn=val_dataset.collate_fn) # 训练 # 重要参数 打开train.py,我们先认识一下重要的参数： def parse_args(): import argparse parser = argparse.ArgumentParser(description="pytorch fcn training") # 数据集的根目录(VOCdevkit)所在的文件夹 parser.add_argument("--data-path", default="data/", help="VOCdevkit root") parser.add_argument("--num-classes", default=20, type=int) parser.add_argument("--aux", default=True, type=bool, help="auxilier loss") parser.add_argument("--device", default="cuda", help="training device") parser.add_argument("-b", "--batch-size", default=32, type=int) parser.add_argument("--epochs", default=30, type=int, metavar="N", help="number of total epochs to train") parser.add_argument('--lr', default=0.0001, type=float, help='initial learning rate') parser.add_argument('--momentum', default=0.9, type=float, metavar='M', help='momentum') parser.add_argument('--wd', '--weight-decay', default=1e-4, type=float, metavar='W', help='weight decay (default: 1e-4)', dest='weight_decay') parser.add_argument('--print-freq', default=10, type=int, help='print frequency') parser.add_argument('--resume', default='', help='resume from checkpoint') parser.add_argument('--start-epoch', default=0, type=int, metavar='N', help='start epoch') # 是否使用混合精度训练 parser.add_argument("--amp", default=False, type=bool, help="Use torch.cuda.amp for mixed precision training") args = parser.parse_args() return args data-path：定义数据集的根目录(VOCdevkit)所在的文件夹 num-classes：检测目标类别数(不包含背景)。 aux：是否使用aux_classifier。 device：使用cpu还是gpu训练，默认是cuda。 batch-size：BatchSize设置。 epochs：epoch的个数。 lr：学习率。 resume：继续训练时候，选择用的模型。 start-epoch：起始的epoch，针对再次训练时，可以不需要从0开始。 amp：是否使用torch的自动混合精度训练。 # 数据增强 增强调用transforms.py中的方法。 训练集的增强如下： class SegmentationPresetTrain: def __init__(self, base_size, crop_size, hflip_prob=0.5, mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)): # 随机Resize的最小尺寸 min_size = int(0.5 * base_size) # 随机Resize的最大尺寸 max_size = int(2.0 * base_size) # 随机Resize增强。 trans = [T.RandomResize(min_size, max_size)] if hflip_prob > 0: #随机水平翻转 trans.append(T.RandomHorizontalFlip(hflip_prob)) trans.extend([ #随机裁剪 T.RandomCrop(crop_size), T.ToTensor(), T.Normalize(mean=mean, std=std), ]) self.transforms = T.Compose(trans) def __call__(self, img, target): return self.transforms(img, target) 训练集增强，包括随机Resize、随机水平翻转、随即裁剪。 验证集增强： class SegmentationPresetEval: def __init__(self, base_size, mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)): self.transforms = T.Compose([ T.RandomResize(base_size, base_size), T.ToTensor(), T.Normalize(mean=mean, std=std), ]) def __call__(self, img, target): return self.transforms(img, target) 验证集的增强比较简单，只有随机Resize。 # Main方法 对Main方法，我做了一些修改，修改的代码如下： #定义模型，并加载预训练 model = fcn_resnet50(pretrained=True) # 默认classes是21,如果不是21，则要修改类别。 if num_classes != 21: model.classifier[4] = torch.nn.Conv2d(512, num_classes, kernel_size=(1, 1), stride=(1, 1)) model.aux_classifier[4] = torch.nn.Conv2d(256, num_classes, kernel_size=(1, 1), stride=(1, 1)) print(model) model.to(device) # 如果有多张显卡，则使用多张显卡 if torch.cuda.device_count() > 1: print("Let's use", torch.cuda.device_count(), "GPUs!") model = torch.nn.DataParallel(model) 模型，我改为pytorch官方的模型了，如果能使用官方的模型尽量使用官方的模型。 默认类别是21，如果不是21，则要修改类别。 检测系统中是否有多张卡，如果有多张卡则使用多张卡不能浪费资源。 如果不想使用所有的卡，而是指定其中的几张卡，可以使用： `os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'` 也可以在DataParallel方法中设定： `model = torch.nn.DataParallel(model,device_ids=[0,1])` 如果使用了多显卡，再使用模型的参数就需要改为model.module.xxx，例如： params = [p for p in model.module.aux_classifier.parameters() if p.requires_grad] params_to_optimize.append({"params": params, "lr": args.lr * 10}) 上面的都完成了就可以开始训练了，如下图：  # 测试 在开始测试之前，我们还要获取到调色板，新建脚本get_palette.py，代码如下： import json import numpy as np from PIL import Image # 读取mask标签 target = Image.open("./2007_001288.png") # 获取调色板 palette = target.getpalette() palette = np.reshape(palette, (-1, 3)).tolist() print(palette) # 转换成字典子形式 pd = dict((i, color) for i, color in enumerate(palette)) json_str = json.dumps(pd) with open("palette.json", "w") as f: f.write(json_str) 选取一张mask，然后使用getpalette方法获取，然后将其转为字典的格式保存。 接下来，开始预测部分，新建predict.py,插入以下代码： import os import time import json import torch from torchvision import transforms import numpy as np from PIL import Image from torchvision.models.segmentation import fcn_resnet50 导入程序需要的包文件，然在mian方法中： def main(): aux = False # inference time not need aux_classifier classes = 20 weights_path = "./save_weights/model_5.pth" img_path = "./2007_000123.jpg" palette_path = "./palette.json" assert os.path.exists(weights_path), f"weights {weights_path} not found." assert os.path.exists(img_path), f"image {img_path} not found." assert os.path.exists(palette_path), f"palette {palette_path} not found." with open(palette_path, "rb") as f: pallette_dict = json.load(f) pallette = [] for v in pallette_dict.values(): pallette += v - 定义是否需要aux_classifier，预测不需要aux_classifier，所以设置为False。 - 设置类别为20，不包括背景。 - 定义权重的路径。 - 定义调色板的路径。 - 读去调色板。 接下来，是加载模型，单显卡训练出来的模型和多显卡训练出来的模型加载有区别，我们先看单显卡训练出来的模型如何加载。 model = fcn_resnet50(num_classes=classes+1) print(model) # 单显卡训练出来的模型，加载 # delete weights about aux_classifier weights_dict = torch.load(weights_path, map_location='cpu')['model'] for k in list(weights_dict.keys()): if "aux_classifier" in k: del weights_dict[k] # load weights model.load_state_dict(weights_dict) model.to(device) 定义模型fcn_resnet50，num_classes设置为类别+1（背景） 加载训练好的模型，并将aux_classifier删除。 然后加载权重。 再看多显卡的模型如何加载 # create model model = fcn_resnet50(num_classes=classes+1) model = torch.nn.DataParallel(model) # delete weights about aux_classifier weights_dict = torch.load(weights_path, map_location='cpu')['model'] print(weights_dict) for k in list(weights_dict.keys()): if "aux_classifier" in k: del weights_dict[k] # load weights model.load_state_dict(weights_dict) model=model.module model.to(device) 定义模型fcn_resnet50，num_classes设置为类别+1（背景），将模型放入DataParallel类中。 加载训练好的模型，并将aux_classifier删除。 加载权重。 执行torch.nn.DataParallel(model)时，model被放在了model.module，所以model.module才真正需要的模型。所以我们在这里将model.module赋值给model。 接下来是图像数据的处理 # load image original_img = Image.open(img_path) # from pil image to tensor and normalize data_transform = transforms.Compose([transforms.Resize(520), transforms.ToTensor(), transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))]) img = data_transform(original_img) # expand batch dimension img = torch.unsqueeze(img, dim=0) 加载图像。 对图像做Resize、标准化、归一化处理。 使用torch.unsqueeze增加一个维度。 完成图像的处理后，就可以开始预测了。 model.eval() # 进入验证模式 with torch.no_grad(): # init model img_height, img_width = img.shape[-2:] init_img = torch.zeros((1, 3, img_height, img_width), device=device) model(init_img) t_start = time_synchronized() output = model(img.to(device)) t_end = time_synchronized() print("inference+NMS time: {}".format(t_end - t_start)) prediction = output['out'].argmax(1).squeeze(0) prediction = prediction.to("cpu").numpy().astype(np.uint8) np.set_printoptions(threshold=sys.maxsize) print(prediction.shape) mask = Image.fromarray(prediction) mask.putpalette(pallette) mask.save("test_result.png") 将预测后的结果保存到test_result.png中。查看运行结果： 原图：  结果：  打印出来的数据：  类别列表： { "aeroplane": 1, "bicycle": 2, "bird": 3, "boat": 4, "bottle": 5, "bus": 6, "car": 7, "cat": 8, "chair": 9, "cow": 10, "diningtable": 11, "dog": 12, "horse": 13, "motorbike": 14, "person": 15, "pottedplant": 16, "sheep": 17, "sofa": 18, "train": 19, "tvmonitor": 20 } 从结果来看，已经预测出来图像上的类别是“train”。 # 总结 这篇文章的核心内容是讲解如何使用FCN实现图像的语义分割。 在文章的开始，我们讲了一些FCN的结构和优缺点。 然后，讲解了如何读取数据集。 接下来，告诉大家如何实现训练。 最后，是测试以及结果展示。 希望本文能给大家带来帮助。 完整代码： https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/83778007

数据准备数据准备是非常重要的一个环节数据准备在现实准备中，面临着各种问题（数据采集难，数据质量差，数据冗余性大，标签少，数据分析难，人工采集成本大等）数据准备不仅重要，且花费工作量非常大，往往在项目开发中，数据相关的工作量占据80%，算法模型准备占据20%ModelArts在数据管理方面提供了一系列智能化数据服务，大大降低开发成本，提高开发效率1，数据采集（数据采集是开发人工智能应用时面临的首要问题）数据采集涉及，图像，视频，音频，结构化表格数据及环境信息等，对于实际应用和模型而言，数据越大越丰富，算法所达到的效果就越好（没有好的数据集，再好的算法，也达不到预期的效果），对深度学习而言，数据量越大，模型表现越好。数据采集的方法可分为几种  1，终端设备采集 （摄像头，无人机，移动设备等）2，网络数据采集（合法合规的情况下，自动捉取数据） 3，基于搜索的数据采集（从已有的数据库中搜索出类似的图像）2，对于大企业大规模数据的体现 1，数据来源具有分散性 2，数据储存具有多样性3，数据具有多模态属性 4，数据采集具有较强的业务相关性数据接入 （批量接入，实时流接入）对于已经采集好的数据，要进行大规模的进行分析，建模，则需要将数据接入应用开发平台上。批量接入，华为CMD，云数据迁移（一键式将数据在不同的存储之间做平滑迁移）实时流接入，华为 DIS，数据接入服务（一键式将数据迁移到云上）DLI，数据湖探索（对接不同数据） DWS 数据仓库服务 DDS文档数据库服务OBS对象储存服务（稳定、安全、高效、易用的云存储服务，具备标准Restful API接口，可存储任意数量和形式的非结构化数据）OBS在ModelArts实战开发环节中经常使用OBS资源是服务中存在的对象。在OBS中，资源包括桶和对象，可以在创建自定义策略时，通过指定资源路径来选择特定资源

1 寄存器分配问题的历史与演进B站视频地址：https://www.bilibili.com/video/BV1eF411x7Rh主讲人介绍：华保健中国科学技术大学软件学院助理教授，先进编译技术实验室主任，中国科学技术大学计算机系博士研究方向：程序设计语言和编译器技术、基于软件技术的计算机安全摘要：寄存器分配是编译器后端的重要优化，对于改进程序性能有显著作用。由于从理论上讲寄存器分配问题是 NP 难的，已有研究提出了各种启发式策略。本报告系统分析总结了经典的寄存器分配问题的历史发展和演进，全面总结了各种分析策略和算法。寄存器分配问题的研究分析，对于研究和构建面向 openEuler 等系统的下一代寄存器分配器有一定的指导作用。2 编译器矩阵扩展指令的支持与优化B站视频地址：https://www.bilibili.com/video/BV1fS4y1u7TE主讲人介绍：魏伟华为毕昇编译器主架构师，编译器领域技术专家研究方向：高性能计算编译优化技术，软硬件协同优化，调测调优工具开发，及新的编译技术研究方向探索等摘要：为了加速机器学习，越来越多的 CPU 架构添加了专门的 Matrix 或者 Tensor 单元，比如 Intel 推出的高级矩阵扩展指令集 AMX（Advanced Matrix Extensions），PowerPC 推出的矩阵乘辅助指令集 MMA(Matrix-Multiply Assist)，以及 ARMv9 架构新增的可伸缩矩阵扩展指令集 SME（Scalable Matrix Extension）。本演讲将对上述几种 Matrix 扩展做简单的介绍，并分析当前业界主流编译器的 Matrix 支持情况，同时将会重点分享毕昇编译器上对 Matrix 的支持以及 SME 指令集的适配工作。3 Java 静态编译器的基类解耦方法及 Java/JavaScript 虚拟机上对象内存泄漏的在线检测方法B站视频地址：https://www.bilibili.com/video/BV1Nr4y1q7Dx主讲人介绍：史晓华北京航空航天大学软件学院副教授，博士，博导研究方向：编译技术，并行计算，软件工程等摘要：1）Java 静态编译器将面临某些语义解析的正确性挑战，其中较为关键的挑战之一就是所谓 “脆弱基类 Fragile Base Class”的解耦问题。我们将讨论包括 Java、SWIFT、Objective-C等典型面向对象语言编译器的解耦方法。2）Java 和 JavaScript 的“对象泄漏” 问题存在一定的相似性。我们将讨论如何在不同的 JVM和 JSVM上实现一种相似的在线检测机制，可以在较低负载的前提下，在程序运行过程中有效的捕捉到对象的泄漏信息。4 Python 在大数据领域实践和思考B站视频地址：https://www.bilibili.com/video/BV1EF411x7Zd主讲人介绍：张超腾讯专家工程师，原华为方舟编译器架构师研究方向：编译器和编程语言，大数据 / 机器学习、云计算等摘要：Python登顶编程语言榜单，已经不再是性能无所谓的脚本语言。从大数据现网经验来看，它正深刻影响着海量应用的功能和性能。2021年以来Microsoft、Facebook、Pyston等陆续开源了各自的Cpython高性能计划和代码。腾讯数据中心编译器团队以CPython为基础，针对公司数据科学场景需求和痛点，对CPython做了针对性优化。本演讲将对性能优化的进展、成果和思考进行介绍。5 HPL-AI benchmark for Kunpeng+Ascend AI-specific heterogeneous platformB站视频地址：https://www.bilibili.com/video/BV1zS4y1U7tX主讲人介绍：孙乔中科院软件所高级工程师, 硕士生导师研究方向：并行软件, 并行编程模型及计算机性能评测摘要：HPL-AI (High Performance Linpack, Artificial Intelligence) 是专为衡量计算平台面向 AI 任务处理能力的性能基准测试程序。本报告围绕华为鲲鹏 + 昇腾这一新兴 AI 专用异构平台，介绍我们在 HPL-AI 程序的实现和优化过程中所面对的挑战与解决方案。在优化过程中我们结合毕昇 C++ 的语言特性，实现了 HPL-AI 程序 Host+Device 侧的单源编程编译，充分挖掘 Device 侧算子性能，同时较好地兼顾了平台移植性。6 Kona Fiber 的进阶之路B站视频地址：https://www.bilibili.com/video/BV1kZ4y167pV主讲人介绍：郑淼高级工程师，深入参与腾讯自研协程 KonaFiber 和 ZGC 优化研究方向：协程和 ZGC摘要：协程可以让程序员用熟悉的同步编程方式取得类似异步编程的高性能和高并发收益，OpenJDK 社区正在前沿版本进行协程方案 Loom 的探索、开发，整体方案正在趋于完善。Kona Fiber 是腾讯在 jdk8、jdk11 上，兼容 Loom API 的开源协程实现。Kona Fiber 不仅让用户可以在当前主流 JDK 版本上体验未来 OpenJDK 社区的协程方案，同时一直在加强其可用性和易用性，使 Kona Fiber 能被更广泛、更便捷地应用到实际业务中。

2022 年度发布的报告要点可总结为以下八点： 1. AI 领域私人投资猛增，投资集中度加剧。 2021 年 AI 领域的私人投资总额约为 935 亿美元，是 2020 年私人投资总额的两倍多，但新投资的 AI 公司数量却在继续下降，从 2019 年的 1051 家和 2020 年的 762 家公司减少到 2021 年的 746 家。2020 年有 4 轮 5 亿美元以上的融资，2021 年有 15 个。 2. 美国和中国主导了 AI 跨国合作。 尽管地缘政治紧张局势加剧，但从 2010 年至 2021 年，美中两国在 AI 出版物方面的跨国合作数量最多，自 2010 年以来增加了五倍。美中之间合作产生的出版物数量是英中之间合作数量（第二高）的 2.7 倍。 3. 语言模型比以往任何时候都更有能力，但也更有偏见。 大型语言模型在技术基准上创造了新的记录，但新数据表明，更大的模型也更易于从训练数据中反映出偏见。与 2018 年被认为是 SOTA 的 1.17 亿参数模型相比，2021 年开发的 2800 亿参数模型产生的「毒性」增加了 29%。随着时间的推移，这些系统的能力显著增强，既有性能增加也暴露出潜在愈加严重的偏见。 4. AI 伦理的兴起无处不在。 自 2014 年以来，关于 AI 公平性和透明度的研究呈爆炸式增长，在伦理相关会议上的相关出版物增加了五倍。算法公平和偏见已经从主要的学术追求转变为具有广泛影响的主流研究课题。近年来，具有行业关系的研究人员在以伦理为中心的会议上发表的论文同比增加了 71%。 5. AI 变得更负担得起，性能更高。 自 2018 年以来，训练图像分类系统的成本降低了 63.6%，而训练时间提升了 94.4%。在其他 MLPerf 任务类别（如推荐、对象检测和语言处理）中出现了训练成本更低但训练时间更快的趋势，有利于 AI 技术更广泛的商业应用。 6. 数据，数据，还是数据。 跨技术基准测试的顶级结果越来越依赖于使用额外训练数据来实现新的 SOTA 结果。截止 2021 年，本报告中 10 个基准测试中有 9 个 SOTA AI 系统接受了额外数据的训练。这种趋势隐式地有利于私人机构参与者访问大量数据集。 7. 关于 AI 的全球性立法比以往任何时候都多。 AI Index 对 25 个国家的 AI 立法记录的分析显示，被通过成为法令的包含 AI 的法案数量从 2016 年的 1 项增长到 2021 年的 18 项。2021 年，西班牙、英国和美国通过与 AI 相关的法案数量最多，平均通过了三项法案。 8. 机械臂越来越便宜 AI Index 调查显示，在过去六年中，机械臂手臂的价格中位数下降了 4 倍，从 2016 年的每只手臂 50000 美元降至 2021 年的 12845 美元。机器人研究变得更易于获得和负担得起。 报告下载地址：https://aiindex.stanford.edu/report/

体验形式：请各位体验官按照体验任务的要求操作和体验产品，最后按要求输出体验问卷。我们会从中筛选出高质量问卷，给予礼品奖励和积分奖励。产品简介：ModelArts 是面向开发者的一站式 AI 平台，为机器学习与深度学习提供海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。  体验流程：本次体验涉及代金券，请勿直接操作，以免造成欠费。1.请先申请成为体验官：点击链接申请成为体验官2.报名体验：点击报名3.体验任务：点击开始体验4.完成体验问卷：点击填写问卷活动时间：3月18日-4月4日活动流程：1.如您已经成为产品体验官，小助手会在群内发布招募公告，直接报名即可。2.如您还未申请成为体验官，请点击链接先申请成为体验官，再参与活动哦~申请链接：https://developer.huaweicloud.com/activity/experience-officer.html  ☆奖品设置如下☆参与奖：若干名活动要求：按照要求完成任务卡奖品：文件收纳包1个+3体验官积分    优秀奖：若干名活动要求：被专家评为优秀报告奖品：雷柏V500机械键盘1个+5体验官积分    

对于人工智能，我们不要过分高估也不要过分低看，就像雷·克利福德所言，“科技不能取代教师，但是使用科技的教师却能取代不使用科技的教师。”同理，人工智能不会取代教师，但是**使用人工智能的教师会取代不使用人工智能的教师**。 未来的教育将进入教师与人工智能协作共存的时代，教师与人工智能将发挥各自的优势，协同实现个性化教育、包容的教育、公平的教育与终身的教育，促进人的全面发展。 一方面，教育中的人工智能能够让教育知识、心理知识和社会知识等以精确的方式呈现。那些看不见的隐性学习过程，可以通过人工智能加以显现。在基于人工智能精确了解学生数据的前提下，未来教育将由教师和人工智能共同为学生提供权威的学习支撑、精准的学习内容和学习活动，实现多元的教育服务供给。在此基础上，学生将得到全面和有针对性的发展，个性化教育将从理想变成现实，焕发出强大的生命力。 另一方面，人工智能教师能够连接正式学习与非正式学习环境，教育将更开放，泛在学习会逐渐成为基本形态。学习不仅发生在课堂上，也发生在日常生活中；知识不仅来源于学校老师，也来源于无处不在的人工智能教师。人们通过无处不在的终端连接智能化的知识网络和人际网络，实现人人、时时、处处可学的终身学习。 一个教师常需面对几十个学生，没有技术的支撑，想要精确了解学生的特征是很困难的，**没有人工智能的支持，要想实施因人而异的个性化教学也不可能**。进入人工智能时代，在全面采集、分析学生学习过程数据的基础上，人机协同既可以实现群体班级的规模化支持，也可以实现适应每个个体发展的个性化教学。 未来教育需要转变学生获取知识的方式，教师知识性讲授功能会被人工智能所取代，教师的主要工作是培育学生能力。教师需要精心设计问题、设计学习资源、设计学习工具、设计学习活动、设计学习评价。学生在教师的陪伴下，通过解决问题进行学习、获得知识、学会自主学习、独立思考、协作协同、知识迁移和运用，从而发展综合素质与综合能力。教师的陪伴、组织、督促、检查，对学生自主学习非常重要。今后的学习形态一定是学生线上学习，实践领域问题解决导向的项目学习，教师线下的督促、管理、陪伴三位一体的形态，而不是以课堂讲授为主的单一形态。 然而，人工智能仍无法取代人类。人与机器之间有几大差异：一，人发现问题，机器解决问题。所以教育在培养学生解决问题能力外，应重点培养学生发现问题的能力。二，机器不具备社会属性。计算机与人交流大都是提前准备虚拟答案，没有主动的社会交往能力。三，机器不具备心理属性。不会开心，也不会郁闷。所以同机器相比，教师更应看重自身作为人的独特价值，提高学生的社会价值、心理价值和利用全球化资源的能力，承担起培养学生创造未来，而不是进入未来的社会责任。 未来的教育，要从面向知识体系的传授，转向面向核心素养的培养，学生的创造能力、审美能力、协作能力、知识的情境化/社会化运用能力是人类教师所应关注的核心和重点。 人工智能时代的教育，需要培养学生的核心素养，教师的责任不是灌输知识，而是帮助学生成长，成为人生导师或者心理咨询师，帮助学生发现优点，实现人生价值。今后教师的工作形态一定不以教书为重。人工智能时代教师的核心价值，不是专业知识、学科知识和专业技能的发展，而是教师的人文底蕴、责任担当、国家认同、跨文化交往、审美等核心素养的培养。教师不再是传统意义上的信息和知识的灌输者，不再是传授技艺的教练，也不是只为生存或作为养家糊口的职业教书匠，而是学生的人生精神导师，是培养学生智慧、帮助学生成才、启迪学生心智的智者。

   在深度学习中，经常有“end-to-end（端到端）”学习的提法，与之相对应的传统机器学习是“Divide and Conquer（分而治之）”。这些都是什么意思呢？    “end-to-end”（端到端）说的是，输入的是原始数据（始端），然后输出的直接就是最终目标（末端），中间过程不可知，因此也难以知。比如说，基于深度学习的图像识别系统，输入端是图片的像素数据，而输出端直接就是或猫或狗的判定。这个端到端就是：像素-->判定。    再比如说，“end-to-end”的自动驾驶系统，输入的是前置摄像头的视频信号（其实也就是像素），而输出的直接就是控制车辆行驶指令（方向盘的旋转角度）。这个端到端就是：像素-->指令。    就此，有人批评深度学习就是一个黑箱（Black Box）系统，其性能很好，却不知道为何而好，也就是说，缺乏解释性。其实，这是由于深度学习所处的知识象限决定的。从图1可以看出，深度学习，在本质上，属于可统计不可推理的范畴。“可统计”是很容易理解的，就是说，对于同类数据，它具有一定的统计规律，这是一切统计学习的基本假设。那“不可推理”又是什么概念？其实就是“剪不断、理还乱”的非线性状态了。    在哲学上讲，这种非线性状态，是具备了整体性的“复杂系统”，属于复杂性科学范畴。复杂性科学认为，构成复杂系统的各个要素，自成体系，但阡陌纵横，其内部结构难以分割。简单来说，对于复杂系统，1+1≠2，也就是说，一个简单系统，加上另外一个简单系统，其效果绝不是两个系统的简单累加效应，而可能是大于部分之和。因此，我们必须从整体上认识这样的复杂系统。于是，在认知上，就有了从一个系统或状态（end）直接整体变迁到另外一个系统或状态（end）的形态。这就是深度学习背后的方法论。    与之对应的是“Divide and Conquer（分而治之）”，其理念正好相反，在哲学它属于“还原主义（reductionism，或称还原论）”。在这种方法论中，有一种“追本溯源”的蕴意包含其内，即一个系统（或理论）无论多复杂，都可以分解、分解、再分解，直到能够还原到逻辑原点。    在意象上，还原主义就是“1+1=2”，也就是说，一个复杂的系统，都可以由简单的系统简单叠加而成（可以理解为线性系统），如果各个简单系统的问题解决了，那么整体的问题也就得以解决。比如说，很多的经典力学问题，不论形式有多复杂，通过不断的分解和还原，最后都可以通过牛顿的三大定律得以解决。经典机器学习（位于第Ⅱ象限），在哲学上，在某种程度上，就可归属于还原主义。传统的机器学习方式，通常是用人类的先验知识，把原始数据预处理成各种特征（feature），然后对特征进行分类。    然而，这种分类的效果，高度取决于特征选取的好坏。传统的机器学习专家们，把大部分时间都花在如何寻找更加合适的特征上。因此，早期的机器学习专家们非常苦逼，故此，传统的机器学习，其实可以有个更合适的称呼——特征工程（feature engineering）。    但这种苦逼，也是有好处的。这是因为，这些特征是由人找出来的，自然也就为人所能理解，性能好坏，机器学习专家们可以“冷暖自知”，灵活调整。

在过去，高通量测序技术的出现和成熟彻底改变了生物医学领域的面貌。改技术能够一次并行地得到几十万甚至上千万的DNA分子的数据信息，随着测序成本的降低，该技术已经应用于生物医疗领域的各个方面研究，并产生了大量的组学数据。如何能够更好地利用生物医疗的各方面研究，并产生了大量的组学数据，如何能够更好地利用大规模组学数据对生物医学问题进行建模就显得尤为重要。常见组学数据类型1)  在基因组学领域，微陈列技术和下一代DNA测序技术广泛用于全基因组拷贝数变异和单核苷酸多态性等DNA突变的鉴定。2）在表观基因组学领域，甲基化DNA免疫沉淀和亚硫酸盐测序用于分析DNA甲基化，染色质免疫沉淀测序用于鉴定染色质相关蛋白的结合位点。3）在转录组学领域，微陈列和RNA测序用于定量整个转录组的表达谱。4）在蛋白质组学领域，液相色谱-串联质谱法和同位素标记和标签用于分析代谢标志物5）在代谢组学领域，核磁共振和质谱仪用于分析代谢标记物组学数据可提供DNA，RNA，组蛋白修饰，蛋白质，代谢物等不同分子系统水平的全面信息，已广泛用于生物科研，合成生物，药物研发，个性化治疗等领域。一、定点组学数据特征通过高通量测序技术对不同分子水平的组学信息进行定量后，得到的数据都是非序列数据，如基因突变，全基因组的基因拷贝数变异，RNA表达式，蛋白质表达量，这些数据具有以下特征；1）原始数据含有几千或者几万个特征，大部分特征之间是相互独立的2）特征点的数目比较多，一般大于训练样本数目或者训练样本数目处于同一个数量级3）原始数据的特征之间没有明显的时间维度和空间维度相关性有严格的先后关系和前后左右关系4）原始数据的特征之间存在层次性的相互作用二、基因组学建模方法CNN算法中的卷积操作能够抽取层次特征，进而组合形成高层次特征对数据进行建模。RNN虽然在结构上和CNN有比较大的区别，但是其本质也是通过整合序列上前后特征来实现提取信息的功能，CNN和RNN非常适合从图像，文本，语音等数据中提取特征，这些数据之间具有局部相关性，即输入的特征值和周围的特征值存在相关性，如果将输入特征的顺序，则可能影响其语义信息。随着ResNet等算法的出现，训练深度神经网络更加容易，因此有必要将MLP,AE,VAE等向更深的方向做扩展，然而，由于组学数据的特殊性，需要投入大量的精力去试错才能找到最优的神经网络结构，随着AutoML技术的逐渐成熟，可以将很多模型框架的设计问题转为自动搜索问题。因此，可以构建面向基因组学建模的自动化人工智能系统，可以在提升基因组学数据分析和建模效果的同时，大幅度降低人工技能要求的门槛。

2月25日，CCTV 2《消费主张》播出新一期节目《“黑科技”点亮冬奥会，未来还能怎样看比赛？》，聚焦云计算、AI、5G、VR等创新科技在体育赛事中的应用，解密隐藏在本届冬奥会背后的巨大科技力量。 　　其中，华为云MetaStudio数字内容生产线、自由视角、AI机器人等技术和方案携手亮相，展示了华为云创新技术在体育赛事中的应用及价值。  华为云助力央视频打造数字雪花，实现用户非凡冰雪体验 　　在冬奥会开幕式，每个国家化作一片雪花走进鸟巢。与此同时，也有超2000万观众化作“数字雪花”飘进鸟巢，而这种特别方式的背后即是华为云创新技术的加持。 　　“数字雪花”是央视频基于华为云MetaStudio数字内容生产线，并率先使用媒体AI、云渲染、区块链等系列前沿云计算技术打造而成，不仅科技感满满，更借助技术加持，让用户能够体验“定制我的数字雪花”、获得数字雪花特别证书、专属雪花飘进鸟巢视频等创新玩法，以新的方式参与进这场冰雪盛会。  在节目中，华为云北京总经理李亚为进一步介绍称，在“数字雪花”项目中，华为云提供了云渲染服务和超过30万核算力资源，实现雪花飘进鸟巢开幕式场馆的艺术效果，并保障了用户体验的流畅性；同时华为云还提供了区块链服务，为参与用户生成数字雪花特别证书，保证用户数字身份的唯一性，形成用户珍贵的数字资产。  “数字雪花项目实际上是我们在元宇宙当中的一个探索和试验。”华为云中国区副总裁胡维琦在节目采访中表示。她提到，数字雪花开启了一个元宇宙的大门，未来可以在虚拟场景中滑雪、进行物品交换甚至交友等，为用户带来全新的体验。  除了在“数字雪花”项目中担当“重任”，华为云MetaStudio数字内容生产线还一手缔造了华为云首个虚拟数字人“云笙”，集合了AI自动建模、AI语音驱动、AI渲染加速等AI能力，具备聊天对话、作诗、写对联、线上讲课等多场景能力。具体到体育赛事领域，虚拟数字人“云笙”还能够担任赛事主持人，讲解奥运场馆、比赛议程等信息，同时为听障人士提供手语播报服务。 　　黑科技出圈，华为云创新技术升级体育赛事体验 　　除了解密冬奥会背后的“黑科技”，本期节目还关注到了技术创新在体育赛事领域的应用。基于此，本期节目进一步报道了华为云自由视角技术、机器人等技术，展示了其在体育赛事的观看比赛和后勤保障等方面的应用。  在观看比赛方面，越来越多的新技术正在给观众带来更自由、更随心的观看体验。而自由视角技术更是刷新了观众的认知。借助华为高新视频解决方案，观众通过控制遥控器，即可随心变换视角，放大细节或暂停回看，不再受限于导播台官方视角，实现真正的个性化观赛。据了解，华为高新视频解决方案首次亮相于一档舞蹈类综艺节目，带观众领略了时间定格模式下演员360度的精彩风暴时刻；还应用于第十四届全运会一系列比赛项目中，为全国观众提供精彩瞬间、自由视角、多视角等全新观赛体验。 　　在后勤保障上，机器人正在大显身手，防疫监督、做饭调酒，自动送餐、物流配送、清扫垃圾等都能看到他们的身影。事实上，更聪明、工作精准度更高的机器人，有赖于云上技术的支撑，而在机器人+云升级为云原生机器人之后，机器人的能力将进一步升级。对此，华为云面向机器人开发者与用户构筑了云机器人开放平台，能真正实现云与机器人的融合，适配工作场景，使机器人更智能、更灵巧。该平台凭借华为云上的海量AI算力、海量数据处理与共享能力等，可以实现通过海量数据来驱动机器人系统的持续进化。 　　在北京冬奥会为期16天的赛事中，各式各样的“黑科技”轮番上场，呈现了一场精彩绝伦的冰雪盛会。盛会落幕，“黑科技”却不散场，AI、云计算、5G、VR等技术将深入越来越多的体育赛事，为观众呈现更精彩的比赛和全新的体验。而华为云也将继续进行技术创新，以云计算、AI、云渲染等先进技术助力体育赛事升级体验。

AAAI22奖项公布，9000投稿选出唯一杰出论文，中科院自动化所获Distinguished论文奖第 36 届 AAAI 人工智能会议已于 2 月 22 日在线上召开。目前，大会公布了今年的杰出论文奖（1 篇）和提名奖（2 篇），其中来自巴黎第九大学、Meta AI 等机构的研究者凭借推荐系统赢得了 AAAI 2022 杰出论文奖。另外，中科院自动化所博弈学习研究组凭借其研发的轻量型德州扑克 AI 程序 AlphaHoldem 获得了 Distinguished 论文奖（共 6 篇）。作为全球人工智能顶会之一，2022 年的 AAAI 大会热度又创下了历史新高：大会共收到 9251 篇投稿，其中 9020 篇投稿进入了评审环节。但令人意外的是，今年的接收率却创下了历史新低，仅 1349 篇论文被接收，接收率仅为 15.0%。目前，AAAI 2022 已经公布了杰出论文奖、杰出学生论文奖、Distinguished 论文奖、最佳演示奖等多个奖项。论文：AlphaHoldem: High-Performance Artificial Intelligence for Heads-Up No-Limit Poker via End-to-End Reinforcement Learning相关报道见：达到人类专业玩家水平，中科院自动化所研发轻量型德州扑克AI程序AlphaHoldem    作者：Enmin Zhao、Renye Yan、Jinqiu Li、Kai Li、Junliang Xing    机构：中科院自动化所博弈学习研究组转发自：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650833516&idx=5&sn=154a97f2e9e03fc012d65069483c37eb&chksm=84e54612b392cf0435f1059218e661cc4f630f225bb5985df9354577cc19e91ddf05038581db&scene=21#wechat_redirect

泛微信息采集智能机器人——千里聆，通过RPA+AI两大系统引擎能力，构建了采集提炼一体化的信息采集智能机器人平台；打造了丰富的专项场景应用，满足组织中各类角色和部门信息采集需求。随着数字化转型的推进，各行各业的大量线下场景转移到线上，从而促进了各种数据的爆发式生产，进一步加快了海量数字资产的形成，比如招标数据、政策数据、竞品数据、舆情数据等等。在信息海洋中，如何高效且有效地获取数据 ？发现业务缺陷和进步空间，从而制定优化和改进的措施，循环驱动业务前行，实现降本增效的效果？组织常见的信息采集需求场景组织里各类角色和部门的工作中，需要大量的价值数据来支撑，需要定时监控各类网站更新情况。通过关键词的设定及智能算法，筛选出有价值的信息。1、招投标信息采集市场和销售人员常常面临线索挖掘难，手动查找客户关键信息费时费力等问题，如何快速查找有效线索？2、政策法规信息采集国家行业政策瞬息万变，安排专人搜集信息费时费力还找不全；如何快速知晓相关政策，从而通过宏观政策调整企业决策？3、商品价格信息采集企业面对供应商报出的产品价格无法判断真假高低时，能否通过机器人自动抓取互联网同类产品的价格信息给采购审批做参考？4、 竞品信息采集竞争无处不在，友商新品发布、战略联盟、广告投放、客户签约等动态信息如何瞬间知晓并有效跟踪以及制定应对决策？5、企业舆情采集互联网自媒体时代，一条负面信息可能引发公司陷入舆论危机，如何有效从众多信息流中自动抓取公司舆情并有效监测应对？千里聆-信息采集智能机器人解决方案：互联网数字资产是庞大的信息资源矿，RPA能够协助组织便捷、自动化采集数据，AI能够为您提炼出有价值数据。泛微千里聆通过RPA + AI 两大系统引擎能力，构建了 “采”+“炼” 一体化的信息采集智能机器人平台；并且打造了丰富的专项场景应用，来满足组织中各类角色和部门信息采集需求。能够7*24小时模拟人自动完成访问目标网站、抓取网页数据、收取邮件内容、填写上报数据等工作。实时获取需要的有效信息数据，并及时推送到手机上，不错过任何重要信息，不用再在信息海洋中耗时耗力地去找信息。一、千里聆的目标为组织中的市场部、销售部、采购部、研发部、人事部等各部门需求，提供专项信息采集解决方案。成为您7*24小时不间断工作的信息采集数字化员工，助您随时随地可以获知：· 某种原材料商品的全网最低采购价信息；· 有匹配您单位业务的招标信息；· 政府发布了对您行业支撑的新政策；· 您的主要供应商发生了股东变更等；· 竞争对手刚发布了新的产品和市场活动等……让您的工作决策更加高效精准，让您的组织运行更加的智慧灵敏！二、千里聆平台架构千里聆的前端具备适配各类网页端、移动APP、桌面软件及API的自动化操作能力；中端实现覆盖了大量的应用场景可直接选用；后台配备了强大的机器人设计器和执行器，来确保不同采集需求的实现落地，每个岗位、部门都可以根据需求灵活配置部门级解决方案。三、千里聆技术优势泛微千里聆平台的四大核心优势助力组织快速获取价值数据的能力：· 指令库：提供了丰富可扩展的指令，以满足不同业务场景的需求变化· 设计器：提供了可视化的设计器，拖拽式选择指令，完成机器人的定义组装· 机器人：组装好的机器人按工作场景等分类管理，可分享复用减少维护量· 执行器：提供了足够灵活的运行规则，确保不间断调度机器人按规则执行。应用价值：千里聆，深度全网采集信息，智能化分析提取有效数据，快捷连接各类业务系统，及时推送信息，并且7*24小时无人自主工作，无需人工值守。

一种新的基于深度学习的 3D 细胞分割框架，用于未来基于图像的疾病检测细胞分割在理解、诊断和治疗疾病方面起着至关重要的作用。尽管最近基于深度学习的细胞分割方法取得了成功，但在 3D 细胞膜图像中准确分割密集的细胞仍然具有挑战性。现有方法还需要在新数据集上微调多个手动选择的超参数。香港大学的研究人员开发了一个基于深度学习的 3D 细胞分割管道 3DCellSeg，以应对这些挑战。与现有方法相比，该方法具有以下新颖性：（1）一个稳健的两阶段流水线，只需要一个超参数；（2）一个轻量级的深度卷积神经网络 (3DCellSegNet) 以有效地输出体素掩码；（3）一个自定义的损失函数（3DCellSeg Loss）来解决clumped cell问题；（4）一种有效的基于触摸区域的聚类算法（TASCAN），用于将 3D 细胞从前景蒙版中分离出来。在四个不同的细胞数据集上进行的细胞分割实验表明，3DCellSeg 在 ATAS（植物）、HMS（动物）和 LRP（植物）数据集上优于基线模型，总体准确率分别为 95.6%、76.4% 和 74.7% ，同时实现了与 Ovules（植物）数据集上的基线相当的准确度，总体准确度为 82.2%。消融研究表明，准确性的个别改进可归因于 3DCellSegNet、3DCellSeg Loss 和 TASCAN，其中 3DCellSeg 在不同的数据集和细胞形状中表现出鲁棒性。实验结果表明，3DCellSeg 可以作为一种强大的生物医学和临床工具，例如组织病理学图像分析，用于癌症诊断和分级。该研究以「A novel deep learning-based 3D cell segmentation framework for future image-based disease detection」为题，于 2022 年 1 月 10 日发布在《Scientific Reports》。通过视网膜扫描和最少的个人信息预测心肌梗塞在眼科实践中，通常会获得视网膜图像以诊断和监测原发性眼病和影响眼睛的全身状况，例如糖尿病视网膜病变。最近的研究表明，视网膜图像上的生物标志物，例如视网膜血管密度或曲折度，与心脏功能相关，可以识别有冠状动脉疾病风险的患者。利兹大学的研究团队研究了使用视网膜图像以及相关的患者元数据，来估计左心室质量和左心室舒张末期容积，然后预测心肌梗死的发生。他们训练了一个多通道变分自编码器和一个深度回归模型，来估计左心室质量 [4.4 (–32.30, 41.1) g] 和左心室舒张末期容积 [3.02 (–53.45, 59.49) ml] 并预测心肌梗死的风险（AUC = 0.80 ± 0.02，灵敏度 = 0.74 ± 0.02，特异性 = 0.71 ± 0.03），仅使用视网膜图像和人口统计数据。研究结果表明，可以通过每个配镜师和眼科诊所提供的视网膜成像，来识别未来心肌梗死高风险的患者。该研究以「Predicting myocardial infarction through retinal scans and minimal personal information」为题，于 2022 年 1 月 25 日发布在《Nature Machine Intelligence》。医疗数据中隐藏的偏见可能会损害人工智能的医疗保健方法有证据表明，在医学和健康方面从人体获得的和关于人体的数据并不总是能创建公平的系统。偏见在临床设备、干预和互动中普遍存在。其中包括在设计时不考虑性别、性别和肤色的设备；嵌入种族的干预措施；取决于性别或种族的疾病诊断；以及患者和卫生工作者之间存在偏见的互动。来自这些系统的数据在用于机器学习算法时会促进或加剧这些偏见。通常，计算机科学缺乏关于性别歧视、种族主义和社会经济不平等对开发健康机器学习算法所用数据的系统性影响的教育。解决这些根深蒂固的偏见的解决方案并不容易，需要开发算法的人和使用算法的人（包括计算机科学家、工程师、临床医生、医疗机构等）有意识地努力。然而，如果没有关于对边缘化群体的历史不公正的教育，拒绝接受不公平作为常态，以及承担创建和应用减少而不是促进不公平的算法的责任，这些解决方案就不可能存在。机器学习传统上是在假设数据和标签以客观事实为基础的空间中运行的。不幸的是，许多证据表明，从人体中获取的和关于人体的「具体」数据并不能创建按预期运行的系统。医疗保健数据的复杂性可能与长期的歧视有关，该领域的研究禁止幼稚的应用。为了改善医疗保健，机器学习模型必须从一开始就努力识别、减少或消除此类偏见。波士顿大学和麻省理工学院的研究人员发表综述文章，他们的目标是列举许多例子来证明存在的偏见的深度和广度，这些偏见在整个医学史上一直存在。他们希望对算法自动化偏见的愤怒将导致生成此类数据的基本实践发生变化，从而减少健康差异。该综述以「In medicine, how do we machine learn anything real?」为题，于 2022 年 1 月 14 日发布在《Patterns》。通过强化学习优化基于风险的乳腺癌筛查策略筛查计划必须平衡早期发现的好处和过度筛查的成本。在这里，麻省理工学院的研究人员介绍了一种新的基于强化学习的个性化筛查框架 Tempo，并展示了其在乳腺癌筛查中的功效。研究人员在来自马萨诸塞州总医院（MGH；美国）的大型筛查乳房 X 线摄影数据集上训练了他们基于风险的筛查策略，并在来自 MGH 的保留患者和来自埃默里大学（Emory；美国）、卡罗林斯卡学院（Karolinska；瑞典）和长庚纪念医院（CGMH；台湾）的外部数据集中验证了该数据集。在所有测试集中，研究人员发现 Tempo 策略与基于图像的人工智能（AI）风险模型相结合，在每个屏幕频率的模拟早期检测方面比临床实践中使用的当前方案明显更有效。此外，该团队表明相同的 Tempo 策略可以很容易地适应各种可能的筛查偏好，允许临床医生在早期检测和筛查成本之间选择他们想要的权衡，而无需培训新的策略。最后，研究人员证明了基于 AI 风险模型的 Tempo 策略，优于基于不太准确的临床风险模型的 Tempo 策略。总而言之，将基于 AI 的风险模型与敏捷的 AI 设计的筛查策略相结合，有可能通过促进早期检测同时减少过度筛查来改进筛查计划。该研究以「Optimizing risk-based breast cancer screening policies with reinforcement learning」为题，于 2022 年 1 月 13 日发布在《Nature Medicine》。使用人工智能了解肺癌和支气管癌死亡率机器学习（ML）在预测死亡率方面已显示出前景；然而，了解风险因素对死亡率影响的空间变化需要可解释性。布法罗大学的研究人员在堆栈集成机器学习模型框架上应用了可解释的人工智能（XAI），以探索和可视化已知风险因素对美国本土肺癌和支气管癌（LBC）死亡率的贡献的空间分布。他们使用了五个基础学习器——广义线性模型（GLM）、随机森林（RF）、梯度提升机（GBM）、极端梯度提升机（XGBoost）和深度神经网络（DNN）来开发堆栈集成模型。然后，应用了几种与模型无关的方法来解释和可视化堆栈集成模型在全局和局部尺度（在县级）的输出。堆栈集成通常比所有基础学习器和三个空间回归模型表现更好。基于排列的特征重要性技术将吸烟率列为最重要的预测因子，其次是贫困和海拔。然而，这些风险因素对 LBC 死亡率的影响在空间上有所不同。这是第一项使用集成机器学习和可解释算法，来探索和可视化美国本土 LBC 死亡率和风险因素之间关系的空间异质性的研究。该研究以「Explainable artificial intelligence (XAI) for exploring spatial variability of lung and bronchus cancer (LBC) mortality rates in the contiguous USA」为题，于 2021 年 12 月 16 日发布在《Scientific Reports》。