人工智能地核心技術(shù)

1、人工智能的核心技術(shù)是什么？人工智能標(biāo)準(zhǔn)化白皮書(shū)（ 2018）1 機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)（ Machine Learning ）是一門(mén)涉及統(tǒng)計(jì)學(xué)、系統(tǒng)辨識(shí)、逼近理論、神經(jīng)網(wǎng)絡(luò)、優(yōu)化理論、計(jì)算機(jī)科學(xué)、腦科學(xué)等諸多領(lǐng)域的交叉學(xué)科，研究計(jì)算機(jī) 怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué) 習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí) 結(jié)構(gòu)使之不斷改善自身的性能，是 人工智能技術(shù)的核心?；跀?shù)據(jù)的機(jī)器學(xué)習(xí)是 現(xiàn)代智能技術(shù)中的重要方法之一，研究從觀 測(cè)數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，利用 這些規(guī)律對(duì)未來(lái)數(shù)據(jù)或無(wú)法觀測(cè)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。根 據(jù)學(xué)習(xí)模式、學(xué)習(xí)方法以及 算法的不同，機(jī)器學(xué)習(xí)存在不同的分類(lèi)方法。（1）根據(jù)學(xué)習(xí)模式將機(jī)器學(xué)習(xí)分類(lèi)為

2、監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等。監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)是利用已標(biāo)記的有限訓(xùn)練數(shù)據(jù)集，通過(guò)某種學(xué)習(xí)策略/方法建立一 個(gè)模型，實(shí)現(xiàn)對(duì)新數(shù)據(jù) /實(shí)例的標(biāo)記（分類(lèi)） /映射，最典型的監(jiān)督學(xué)習(xí)算法包括 回歸和分類(lèi)。監(jiān)督學(xué)習(xí)要求 訓(xùn)練樣本的分類(lèi)標(biāo)簽已知，分類(lèi)標(biāo)簽精確度越高，樣 本越具有代表性，學(xué)習(xí)模型的準(zhǔn)確度 越高。監(jiān)督學(xué)習(xí)在自然語(yǔ)言處理、信息檢索、 文本挖掘、手寫(xiě)體辨識(shí)、垃圾偵測(cè)等領(lǐng)域獲 得了廣泛應(yīng)用。無(wú)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)是利用無(wú)標(biāo)記的有限數(shù)據(jù)描述隱藏在未標(biāo)記數(shù)據(jù)中的結(jié)構(gòu) /規(guī)律， 最典型的非監(jiān) 督學(xué)習(xí)算法包括單類(lèi)密度估計(jì)、單類(lèi)數(shù)據(jù)降維、聚類(lèi)等。無(wú)監(jiān)督學(xué) 習(xí)不需要訓(xùn)練樣本和人 工標(biāo)注數(shù)據(jù)，便于壓縮數(shù)據(jù)存儲(chǔ)、

3、減少計(jì)算量、提升算法 速度，還可以避免正、負(fù)樣本偏 移引起的分類(lèi)錯(cuò)誤問(wèn)題。主要用于經(jīng)濟(jì)預(yù)測(cè)、異 常檢測(cè)、數(shù)據(jù)挖掘、圖像處理、模式識(shí)別 等領(lǐng)域，例如組織大型計(jì)算機(jī)集群、社 交網(wǎng)絡(luò)分析、市場(chǎng)分割、天文數(shù)據(jù)分析等。強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使強(qiáng)化信號(hào)函數(shù)值最大。 由于外部環(huán)境 提供的信息很少，強(qiáng)化學(xué)習(xí)系統(tǒng)必須靠自身的經(jīng)歷進(jìn)行學(xué)習(xí)。強(qiáng)化 學(xué)習(xí)的目標(biāo)是學(xué)習(xí)從環(huán) 境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán) 境最大的獎(jiǎng)賞，使得外部環(huán)境對(duì) 學(xué)習(xí)系統(tǒng)在某種意義下的評(píng)價(jià)為最佳。其在機(jī)器 人控制、無(wú)人駕駛、下棋、工業(yè)控制等領(lǐng) 域獲得成功應(yīng)用。（2）根據(jù)學(xué)習(xí)方法可以將機(jī)器學(xué)習(xí)分為傳統(tǒng)

4、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。傳統(tǒng)機(jī)器學(xué)習(xí)傳統(tǒng)機(jī)器學(xué)習(xí)從一些觀測(cè)（訓(xùn)練）樣本出發(fā)，試圖發(fā)現(xiàn)不能通過(guò)原理分析獲 得的規(guī)律，實(shí) 現(xiàn)對(duì)未來(lái)數(shù)據(jù)行為或趨勢(shì)的準(zhǔn)確預(yù)測(cè)。相關(guān)算法包括邏輯回歸、隱 馬爾科夫方法、支持向 量機(jī)方法、 K 近鄰方法、三層人工神經(jīng)網(wǎng)絡(luò)方法、 Adaboost 算法、貝葉斯方法以及決策樹(shù) 方法等。傳統(tǒng)機(jī)器學(xué)習(xí)平衡了學(xué)習(xí)結(jié)果的有效性與 學(xué)習(xí)模型的可解釋性，為解決有限樣本 的學(xué)習(xí)問(wèn)題提供了一種框架，主要用于有 限樣本情況下的模式分類(lèi)、回歸分析、概率密度 估計(jì)等。傳統(tǒng)機(jī)器學(xué)習(xí)方法共同 的重要理論基礎(chǔ)之一是統(tǒng)計(jì)學(xué)，在自然語(yǔ)言處理、語(yǔ)音識(shí) 別、圖像識(shí)別、信息檢 索和生物信息等許多計(jì)算機(jī)領(lǐng)域獲得了廣泛應(yīng)

5、用。深度學(xué)習(xí) 深度學(xué)習(xí)是建立深層結(jié)構(gòu)模型的學(xué)習(xí)方法，典型的深度學(xué)習(xí)算法包括深度置 信網(wǎng)絡(luò)、卷積 神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機(jī)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。深度學(xué)習(xí)又稱(chēng)為深 度神經(jīng)網(wǎng)絡(luò)（指層數(shù)超 過(guò) 3 層的神經(jīng)網(wǎng)絡(luò)） 。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)研究中的一 個(gè)新興領(lǐng)域，由 Hinton 等人于 2006 年提出。 深度學(xué)習(xí)源于多層神經(jīng)網(wǎng)絡(luò)， 其實(shí) 質(zhì)是給出了一種將特征表示和學(xué)習(xí)合二為 一的方式。深度學(xué)習(xí)的特點(diǎn)是放棄了可 解釋性，單純追求學(xué)習(xí)的有效性。經(jīng)過(guò)多年的摸索 嘗試和研究，已經(jīng)產(chǎn)生了諸多 深度神經(jīng)網(wǎng)絡(luò)的模型，其中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)是 兩類(lèi)典型的模型。卷 積神經(jīng)網(wǎng)絡(luò)常被應(yīng)用于空間性分布數(shù)據(jù)；循環(huán)神經(jīng)網(wǎng)絡(luò)在

6、神經(jīng)網(wǎng)絡(luò)中 引入了記憶 和反饋，常被應(yīng)用于時(shí)間性分布數(shù)據(jù)。深度學(xué)習(xí)框架是進(jìn)行深度學(xué)習(xí)的基礎(chǔ)底 層 框架，一般包含主流的神經(jīng)網(wǎng)絡(luò)算法模型，提供穩(wěn)定的深度學(xué)習(xí)API ，支持訓(xùn)練 模型在服務(wù)器和 GPU 、TPU 間的分布式學(xué)習(xí)，部分框架還具備在包括移動(dòng)設(shè)備、云平臺(tái)在的多種 平臺(tái)上運(yùn)行的移植能力，從而為深度學(xué)習(xí)算法帶來(lái)前所未有的 運(yùn)行速度和實(shí)用性。目前主 流的開(kāi)源算法框架有 TensorFlow 、 Caffe/Caffe2 、 CNTK 、 MXNet 、 Paddle-paddle 、 Torch/PyTorch 、Theano 等。（3）此外，機(jī)器學(xué)習(xí)的常見(jiàn)算法還包括遷移學(xué)習(xí)、主動(dòng)學(xué)習(xí)和演化學(xué)

7、習(xí)等。遷移學(xué)習(xí) 遷移學(xué)習(xí)是指當(dāng)在某些領(lǐng)域無(wú)法取得足夠多的數(shù)據(jù)進(jìn)行模型訓(xùn)練時(shí)，利用另 一領(lǐng)域數(shù)據(jù)獲 得的關(guān)系進(jìn)行的學(xué)習(xí)。遷移學(xué)習(xí)可以把已訓(xùn)練好的模型參數(shù)遷移到 新的模型指導(dǎo)新模型訓(xùn) 練，可以更有效的學(xué)習(xí)底層規(guī)則、減少數(shù)據(jù)量。目前的遷 移學(xué)習(xí)技術(shù)主要在變量有限的小 規(guī)模應(yīng)用中使用，如基于傳感器網(wǎng)絡(luò)的定位，文 字分類(lèi)和圖像分類(lèi)等。未來(lái)遷移學(xué)習(xí)將被 廣泛應(yīng)用于解決更有挑戰(zhàn)性的問(wèn)題，如 視頻分類(lèi)、社交網(wǎng)絡(luò)分析、邏輯推理等。主動(dòng)學(xué)習(xí)主動(dòng)學(xué)習(xí)通過(guò)一定的算法查詢(xún)最有用的未標(biāo)記樣本，并交由專(zhuān)家進(jìn)行標(biāo)記， 然后用查詢(xún)到 的樣本訓(xùn)練分類(lèi)模型來(lái)提高模型的精度。主動(dòng)學(xué)習(xí)能夠選擇性地獲 取知識(shí)，通過(guò)較少的訓(xùn) 練樣本獲得高

8、性能的模型，最常用的策略是通過(guò)不確定性 準(zhǔn)則和差異性準(zhǔn)則選取有效的樣 本。演化學(xué)習(xí) 演化學(xué)習(xí)對(duì)優(yōu)化問(wèn)題性質(zhì)要求極少，只需能夠評(píng)估解的好壞即可，適用于求 解復(fù)雜的優(yōu)化 問(wèn)題，也能直接用于多目標(biāo)優(yōu)化。演化算法包括粒子群優(yōu)化算法、 多目標(biāo)演化算法等。目 前針對(duì)演化學(xué)習(xí)的研究主要集中在演化數(shù)據(jù)聚類(lèi)、對(duì)演化 數(shù)據(jù)更有效的分類(lèi)，以及提供某 種自適應(yīng)機(jī)制以確定演化機(jī)制的影響等。2 知識(shí)圖譜知識(shí)圖譜本質(zhì)上是結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，是一種由節(jié)點(diǎn)和邊組成的圖數(shù)據(jù)結(jié) 構(gòu)，以符號(hào)形 式描述物理世界中的概念及其相互關(guān)系， 其基本組成單位是 “實(shí)體 關(guān)系實(shí)體” 三元組， 以及實(shí)體及其相關(guān)“屬性值”對(duì)。不同實(shí)體之間通過(guò) 關(guān)系相

9、互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié) 構(gòu)。在知識(shí)圖譜中， 每個(gè)節(jié)點(diǎn)表示現(xiàn)實(shí)世界的 “ 實(shí)體”，每條邊為實(shí)體與實(shí)體之間的 “關(guān)系”。 通俗地講， 知識(shí)圖譜就是把所有不同種類(lèi)的信息連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò)， 提供了 從“關(guān)系”的角度 去分析問(wèn)題的能力。知識(shí)圖譜可用于反欺詐、不一致性驗(yàn)證、組團(tuán)欺詐等公共安全保障領(lǐng)域，需 要用到異常分 析、靜態(tài)分析、動(dòng)態(tài)分析等數(shù)據(jù)挖掘方法。特別地，知識(shí)圖譜在搜 索引擎、可視化展示和 精準(zhǔn)營(yíng)銷(xiāo)方面有很大的優(yōu)勢(shì)，已成為業(yè)界的熱門(mén)工具。但 是，知識(shí)圖譜的發(fā)展還有很大的 挑戰(zhàn)，如數(shù)據(jù)的噪聲問(wèn)題，即數(shù)據(jù)本身有錯(cuò)誤或 者數(shù)據(jù)存在冗余。隨著知識(shí)圖譜應(yīng)用的不 斷深入，還有一系列關(guān)鍵技術(shù)需要

10、突破。3 自然語(yǔ)言處理自然語(yǔ)言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向，研究能 實(shí)現(xiàn)人與計(jì)算 機(jī)之間用自然語(yǔ)言進(jìn)行有效通信的各種理論和方法， 涉及的領(lǐng)域較 多，主要包括機(jī)器翻譯、 機(jī)器閱讀理解和問(wèn)答系統(tǒng)等。（1）機(jī)器翻譯機(jī)器翻譯技術(shù)是指利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)從一種自然語(yǔ)言到另外一種自然語(yǔ) 言的翻譯過(guò)程。 基于統(tǒng)計(jì)的機(jī)器翻譯方法突破了之前基于規(guī)則和實(shí)例翻譯方法的 局限性，翻譯性能取得巨 大提升?；谏疃壬窠?jīng)網(wǎng)絡(luò)的機(jī)器翻譯在日?？谡Z(yǔ)等一 些場(chǎng)景的成功應(yīng)用已經(jīng)顯現(xiàn)出了巨 大的潛力。隨著上下文的語(yǔ)境表征和知識(shí)邏輯 推理能力的發(fā)展，自然語(yǔ)言知識(shí)圖譜不斷擴(kuò) 充，機(jī)器翻譯將會(huì)在多輪對(duì)話翻譯及 篇章翻譯

11、等領(lǐng)域取得更大進(jìn)展。目前非限定領(lǐng)域機(jī)器翻譯中性能較佳的一種是統(tǒng)計(jì)機(jī)器翻譯，包括訓(xùn)練及解 碼兩個(gè)階段。 訓(xùn)練階段的目標(biāo)是獲得模型參數(shù)， 解碼階段的目標(biāo)是利用所估計(jì)的 參數(shù)和給定的優(yōu)化目標(biāo)， 獲取待翻譯語(yǔ)句的最佳翻譯結(jié)果。 統(tǒng)計(jì)機(jī)器翻譯主要包 括語(yǔ)料預(yù)處理、 詞對(duì)齊、 短語(yǔ)抽取、 短語(yǔ)概率計(jì)算、最大熵調(diào)序等步驟?；谏?經(jīng)網(wǎng)絡(luò)的端到端翻譯方法不需要針對(duì)雙語(yǔ)句子 專(zhuān)門(mén)設(shè)計(jì)特征模型，而是直接把源 語(yǔ)言句子的詞串送入神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的運(yùn) 算，得到目標(biāo)語(yǔ)言句子的 翻譯結(jié)果。在基于端到端的機(jī)器翻譯系統(tǒng)中，通常采用遞歸神經(jīng) 網(wǎng)絡(luò)或卷積神經(jīng) 網(wǎng)絡(luò)對(duì)句子進(jìn)行表征建模，從海量訓(xùn)練數(shù)據(jù)中抽取語(yǔ)義信息，與基于

12、短語(yǔ) 的統(tǒng)計(jì) 翻譯相比，其翻譯結(jié)果更加流暢自然，在實(shí)際應(yīng)用中取得了較好的效果。（2）語(yǔ)義理解語(yǔ)義理解技術(shù)是指利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)對(duì)文本篇章的理解，并且回答與篇章 相關(guān)問(wèn)題的過(guò) 程。語(yǔ)義理解更注重于對(duì)上下文的理解以及對(duì)答案精準(zhǔn)程度的把控。 隨著 MCTest 數(shù)據(jù)集 的發(fā)布，語(yǔ)義理解受到更多關(guān)注，取得了快速發(fā)展，相關(guān)數(shù) 據(jù)集和對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)模型層 出不窮。語(yǔ)義理解技術(shù)將在智能客服、產(chǎn)品自動(dòng)問(wèn) 答等相關(guān)領(lǐng)域發(fā)揮重要作用，進(jìn)一步提 高問(wèn)答與對(duì)話系統(tǒng)的精度。在數(shù)據(jù)采集方面，語(yǔ)義理解通過(guò)自動(dòng)構(gòu)造數(shù)據(jù)方法和自動(dòng)構(gòu)造填空型問(wèn)題的 方法來(lái)有效擴(kuò) 充數(shù)據(jù)資源。為了解決填充型問(wèn)題，一些基于深度學(xué)習(xí)的方法相繼 提出，

13、如基于注意力的 神經(jīng)網(wǎng)絡(luò)方法。當(dāng)前主流的模型是利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)篇 章、問(wèn)題建模，對(duì)答案的開(kāi)始和 終止位置進(jìn)行預(yù)測(cè)，抽取出篇章片段。對(duì)于進(jìn)一 步泛化的答案，處理難度進(jìn)一步提升，目 前的語(yǔ)義理解技術(shù)仍有較大的提升空間。（3）問(wèn)答系統(tǒng)問(wèn)答系統(tǒng)分為開(kāi)放領(lǐng)域的對(duì)話系統(tǒng)和特定領(lǐng)域的問(wèn)答系統(tǒng)。問(wèn)答系統(tǒng)技術(shù)是 指讓計(jì)算機(jī)像 人類(lèi)一樣用自然語(yǔ)言與人交流的技術(shù)。人們可以向問(wèn)答系統(tǒng)提交用 自然語(yǔ)言表達(dá)的問(wèn)題， 系統(tǒng)會(huì)返回關(guān)聯(lián)性較高的答案。盡管問(wèn)答系統(tǒng)目前已經(jīng)有 了不少應(yīng)用產(chǎn)品出現(xiàn)，但大多是 在實(shí)際信息服務(wù)系統(tǒng)和智能手機(jī)助手等領(lǐng)域中的 應(yīng)用，在問(wèn)答系統(tǒng)魯棒性方面仍然存在著 問(wèn)題和挑戰(zhàn)。自然語(yǔ)言處理面臨四大挑戰(zhàn)：一是

14、在詞法、句法、語(yǔ)義、語(yǔ)用和語(yǔ)音等不同 層面存在不確 定性；二是新的詞匯、術(shù)語(yǔ)、語(yǔ)義和語(yǔ)法導(dǎo)致未知語(yǔ)言現(xiàn)象的不可 預(yù)測(cè)性；三是數(shù)據(jù)資源 的不充分使其難以覆蓋復(fù)雜的語(yǔ)言現(xiàn)象；四是語(yǔ)義知識(shí)的 模糊性和錯(cuò)綜復(fù)雜的關(guān)聯(lián)性難以 用簡(jiǎn)單的數(shù)學(xué)模型描述，語(yǔ)義計(jì)算需要參數(shù)龐大 的非線性計(jì)算。4 人機(jī)交互人機(jī)交互主要研究人和計(jì)算機(jī)之間的信息交換，主要包括人到計(jì)算機(jī)和計(jì)算 機(jī)到人的兩部 分信息交換，是人工智能領(lǐng)域的重要的外圍技術(shù)。人機(jī)交互是與認(rèn)知心理學(xué)、人機(jī)工程學(xué)、 多媒體技術(shù)、 虛擬現(xiàn)實(shí)技術(shù)等密切相關(guān)的綜合學(xué)科。 傳統(tǒng)的人與計(jì)算機(jī)之間的信息交換主要 依靠交互設(shè)備進(jìn)行， 主要包括鍵盤(pán)、 鼠標(biāo)、 操縱桿、 數(shù)據(jù)服裝、

15、 眼動(dòng)跟蹤器、 位置跟蹤器、 數(shù)據(jù)手套、壓力筆等輸入設(shè)備，以及打印機(jī)、繪圖儀、顯示器、頭盔式顯示器、音箱等輸出 設(shè)備。人機(jī)交互技術(shù) 除了傳統(tǒng)的基本交互和圖形交互外，還包括語(yǔ)音交互、情感交互、體 感交互及腦 機(jī)交互等技術(shù)，以下對(duì)后四種與人工智能關(guān)聯(lián)密切的典型交互手段進(jìn)行介紹。（1）語(yǔ)音交互語(yǔ)音交互是一種高效的交互方式，是人以自然語(yǔ)音或機(jī)器合成語(yǔ)音同計(jì)算機(jī) 進(jìn)行交互的綜 合性技術(shù)，結(jié)合了語(yǔ)言學(xué)、心理學(xué)、工程和計(jì)算機(jī)技術(shù)等領(lǐng)域的知 識(shí)。語(yǔ)音交互不僅要對(duì) 語(yǔ)音識(shí)別和語(yǔ)音合成進(jìn)行研究， 還要對(duì)人在語(yǔ)音通道下的 交互機(jī)理、 行為方式等進(jìn)行研究。 語(yǔ)音交互過(guò)程包括四部分：語(yǔ)音采集、語(yǔ)音識(shí) 別、語(yǔ)義理解和語(yǔ)音

16、合成。語(yǔ)音采集完成音 頻的錄入、采樣及編碼；語(yǔ)音識(shí)別完 成語(yǔ)音信息到機(jī)器可識(shí)別的文本信息的轉(zhuǎn)化；語(yǔ)義理 解根據(jù)語(yǔ)音識(shí)別轉(zhuǎn)換后的文 本字符或命令完成相應(yīng)的操作；語(yǔ)音合成完成文本信息到聲音 信息的轉(zhuǎn)換。作為 人類(lèi)溝通和獲取信息最自然便捷的手段，語(yǔ)音交互比其他交互方式具備 更多優(yōu)勢(shì)， 能為人機(jī)交互帶來(lái)根本性變革，是大數(shù)據(jù)和認(rèn)知計(jì)算時(shí)代未來(lái)發(fā)展的制高點(diǎn)， 具 有廣闊的發(fā)展前景和應(yīng)用前景。（2）情感交互情感是一種高層次的信息傳遞，而情感交互是一種交互狀態(tài)，它在表達(dá)功能 和信息時(shí)傳遞 情感，勾起人們的記憶或心的情愫。傳統(tǒng)的人機(jī)交互無(wú)法理解和 適應(yīng)人的情緒或心境，缺 乏情感理解和表達(dá)能力，計(jì)算機(jī)難以具有類(lèi)似

17、人一樣的 智能，也難以通過(guò)人機(jī)交互做到真 正的和諧與自然。情感交互就是要賦予計(jì)算機(jī) 類(lèi)似于人一樣的觀察、理解和生成各種情感 的能力，最終使計(jì)算機(jī)像人一樣能進(jìn) 行自然、親切和生動(dòng)的交互。情感交互已經(jīng)成為人工 智能領(lǐng)域中的熱點(diǎn)方向，旨 在讓人機(jī)交互變得更加自然。目前，在情感交互信息的處理方 式、情感描述方式、 情感數(shù)據(jù)獲取和處理過(guò)程、情感表達(dá)方式等方面還有諸多技術(shù)挑戰(zhàn)。（3）體感交互體感交互是個(gè)體不需要借助任何復(fù)雜的控制系統(tǒng)，以體感技術(shù)為基礎(chǔ)，直接 通過(guò)肢體動(dòng)作 與周邊數(shù)字設(shè)備裝置和環(huán)境進(jìn)行自然的交互。依照體感方式與原理 的不同，體感技術(shù)主要 分為三類(lèi)： 慣性感測(cè)、 光學(xué)感測(cè)以及光學(xué)聯(lián)合感測(cè)。 體

18、感 交互通常由運(yùn)動(dòng)追蹤、 手勢(shì)識(shí)別、 運(yùn)動(dòng)捕捉、 面部表情識(shí)別等一系列技術(shù)支撐。 與其他交互手段相比， 體感交互技術(shù)無(wú)論是硬 件還是軟件方面都有了較大的提升， 交互設(shè)備向小型化、 便攜化、 使用方便化等方面發(fā)展， 大大降低了對(duì)用戶的約束， 使得交互過(guò)程更加自然。目前，體感交互在游戲娛樂(lè)、醫(yī)療輔 助與康復(fù)、全自動(dòng) 三維建模、輔助購(gòu)物、眼動(dòng)儀等領(lǐng)域有了較為廣泛的應(yīng)用。（4）腦機(jī)交互腦機(jī)交互又稱(chēng)為腦機(jī)接口，指不依賴(lài)于外圍神經(jīng)和肌肉等神經(jīng)通道，直接實(shí) 現(xiàn)大腦與外界 信息傳遞的通路。腦機(jī)接口系統(tǒng)檢測(cè)中樞神經(jīng)系統(tǒng)活動(dòng)，并將其轉(zhuǎn) 化為人工輸出指令，能 夠替代、修復(fù)、增強(qiáng)、補(bǔ)充或者改善中樞神經(jīng)系統(tǒng)的正常 輸出

19、，從而改變中樞神經(jīng)系統(tǒng)與 外環(huán)境之間的交互作用。腦機(jī)交互通過(guò)對(duì)神經(jīng) 信號(hào)解碼，實(shí)現(xiàn)腦信號(hào)到機(jī)器指令的轉(zhuǎn)化， 一般包括信號(hào)采集、特征提取和命令 輸出三個(gè)模塊。從腦電信號(hào)采集的角度，一般將腦機(jī) 接口分為侵入式和非侵入式 兩大類(lèi)。除此之外，腦機(jī)接口還有其他常見(jiàn)的分類(lèi)方式：按照 信號(hào)傳輸方向可以 分為腦到機(jī)、機(jī)到腦和腦機(jī)雙向接口；按照信號(hào)生成的類(lèi)型，可分為自 發(fā)式腦機(jī) 接口和誘發(fā)式腦機(jī)接口；按照信號(hào)源的不同還可分為基于腦電的腦機(jī)接口、基于 功能性核磁共振的腦機(jī)接口以及基于近紅外光譜分析的腦機(jī)接口。5 計(jì)算機(jī)視覺(jué)計(jì)算機(jī)視覺(jué)是使用計(jì)算機(jī)模仿人類(lèi)視覺(jué)系統(tǒng)的科學(xué)，讓計(jì)算機(jī)擁有類(lèi)似人類(lèi) 提取、處理、 理解和分析

20、圖像以及圖像序列的能力。自動(dòng)駕駛、機(jī)器人、智能醫(yī) 療等領(lǐng)域均需要通過(guò)計(jì) 算機(jī)視覺(jué)技術(shù)從視覺(jué)信號(hào)中提取并處理信息。近來(lái)隨著深 度學(xué)習(xí)的發(fā)展，預(yù)處理、特征提 取與算法處理漸漸融合，形成端到端的人工智能 算法技術(shù)。根據(jù)解決的問(wèn)題，計(jì)算機(jī)視覺(jué) 可分為計(jì)算成像學(xué)、圖像理解、三維視 覺(jué)、動(dòng)態(tài)視覺(jué)和視頻編解碼五大類(lèi)。（1）計(jì)算成像學(xué)計(jì)算成像學(xué)是探索人眼結(jié)構(gòu)、 相機(jī)成像原理以及其延伸應(yīng)用的科學(xué)。 在相機(jī) 成像原理方面， 計(jì)算成像學(xué)不斷促進(jìn)現(xiàn)有可見(jiàn)光相機(jī)的完善，使得現(xiàn)代相機(jī)更加 輕便，可以適用于不同場(chǎng) 景。同時(shí)計(jì)算成像學(xué)也推動(dòng)著新型相機(jī)的產(chǎn)生，使相機(jī) 超出可見(jiàn)光的限制。在相機(jī)應(yīng)用科 學(xué)方面，計(jì)算成像學(xué)可以提升相

21、機(jī)的能力，從 而通過(guò)后續(xù)的算法處理使得在受限條件下拍 攝的圖像更加完善，例如圖像去噪、去模糊、暗光增強(qiáng)、去霧霾等，以及實(shí)現(xiàn)新的功能，例 如全景圖、軟件虛化、超 分辨率等。（2）圖像理解圖像理解是通過(guò)用計(jì)算機(jī)系統(tǒng)解釋圖像， 實(shí)現(xiàn)類(lèi)似人類(lèi)視覺(jué)系統(tǒng)理解外部世 界的一門(mén)科學(xué)。 通常根據(jù)理解信息的抽象程度可分為三個(gè)層次：淺層理解，包括 圖像邊緣、圖像特征點(diǎn)、 紋理元素等；中層理解，包括物體邊界、區(qū)域與平面等； 高層理解，根據(jù)需要抽取的高層 語(yǔ)義信息，可大致分為識(shí)別、檢測(cè)、分割、姿態(tài) 估計(jì)、圖像文字說(shuō)明等。目前高層圖像理 解算法已逐漸廣泛應(yīng)用于人工智能系統(tǒng)， 如刷臉支付、智慧安防、圖像搜索等。（3）三維視

22、覺(jué)三維視覺(jué)即研究如何通過(guò)視覺(jué)獲取三維信息（三維重建）以及如何理解所獲 取的三維信息 的科學(xué)。三維重建可以根據(jù)重建的信息來(lái)源，分為單目圖像重建、 多目圖像重建和深度圖 像重建等。三維信息理解，即使用三維信息輔助圖像理解 或者直接理解三維信息。三維信 息理解可分為，淺層：角點(diǎn)、邊緣、法向量等； 中層：平面、立方體等；高層：物體檢測(cè)、 識(shí)別、分割等。三維視覺(jué)技術(shù)可以廣 泛應(yīng)用于機(jī)器人、無(wú)人駕駛、智慧工廠、虛擬/增強(qiáng)現(xiàn)實(shí)等方向。（4）動(dòng)態(tài)視覺(jué)動(dòng)態(tài)視覺(jué)即分析視頻或圖像序列，模擬人處理時(shí)序圖像的科學(xué)。通常動(dòng)態(tài)視 覺(jué)問(wèn)題可以定 義為尋找圖像元素，如像素、區(qū)域、物體在時(shí)序上的對(duì)應(yīng)，以及提 取其語(yǔ)義信息的問(wèn)題。

23、 動(dòng)態(tài)視覺(jué)研究被廣泛應(yīng)用在視頻分析以及人機(jī)交互等方面。（5）視頻編解碼視頻編解碼是指通過(guò)特定的壓縮技術(shù)，將視頻流進(jìn)行壓縮。視頻流傳輸中最 為重要的編解 碼標(biāo)準(zhǔn)有國(guó)際電聯(lián)的 H.261 、H.263、H.264、H.265 、M-JPEG 和 MPEG 系列標(biāo)準(zhǔn)。視頻壓 縮編碼主要分為兩大類(lèi)： 無(wú)損壓縮和有損壓縮。 無(wú)損壓 縮指使用壓縮后的數(shù)據(jù)進(jìn)行重構(gòu)時(shí)， 重構(gòu)后的數(shù)據(jù)與原來(lái)的數(shù)據(jù)完全相同， 例如 磁盤(pán)文件的壓縮。 有損壓縮也稱(chēng)為不可逆編碼， 指使用壓縮后的數(shù)據(jù)進(jìn)行重構(gòu)時(shí)， 重構(gòu)后的數(shù)據(jù)與原來(lái)的數(shù)據(jù)有差異，但不會(huì)影響人們對(duì) 原始資料所表達(dá)的信息產(chǎn) 生誤解。有損壓縮的應(yīng)用圍廣泛，例如視頻會(huì)議、可視

24、、視頻廣 播、視頻監(jiān)控等。目前，計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展迅速，已具備初步的產(chǎn)業(yè)規(guī)模。未來(lái)計(jì)算機(jī)視覺(jué) 技術(shù)的發(fā)展主 要面臨以下挑戰(zhàn)：一是如何在不同的應(yīng)用領(lǐng)域和其他技術(shù)更好的結(jié) 合，計(jì)算機(jī)視覺(jué)在解決 某些問(wèn)題時(shí)可以廣泛利用大數(shù)據(jù)，已經(jīng)逐漸成熟并且可以 超過(guò)人類(lèi)，而在某些問(wèn)題上卻無(wú) 法達(dá)到很高的精度；二是如何降低計(jì)算機(jī)視覺(jué)算 法的開(kāi)發(fā)時(shí)間和人力成本，目前計(jì)算機(jī)視 覺(jué)算法需要大量的數(shù)據(jù)與人工標(biāo)注，需 要較長(zhǎng)的研發(fā)周期以達(dá)到應(yīng)用領(lǐng)域所要求的精度與 耗時(shí)；三是如何加快新型算法 的設(shè)計(jì)開(kāi)發(fā)，隨著新的成像硬件與人工智能芯片的出現(xiàn)，針 對(duì)不同芯片與數(shù)據(jù)采 集設(shè)備的計(jì)算機(jī)視覺(jué)算法的設(shè)計(jì)與開(kāi)發(fā)也是挑戰(zhàn)之一。6 生物特征識(shí)

25、別生物特征識(shí)別技術(shù)是指通過(guò)個(gè)體生理特征或行為特征對(duì)個(gè)體身份進(jìn)行識(shí)別 認(rèn)證的技術(shù)。從 應(yīng)用流程看，生物特征識(shí)別通常分為注冊(cè)和識(shí)別兩個(gè)階段。注冊(cè) 階段通過(guò)傳感器對(duì)人體的 生物表征信息進(jìn)行采集，如利用圖像傳感器對(duì)指紋和人 臉等光學(xué)信息、麥克風(fēng)對(duì)說(shuō)話聲等 聲學(xué)信息進(jìn)行采集，利用數(shù)據(jù)預(yù)處理以及特征 提取技術(shù)對(duì)采集的數(shù)據(jù)進(jìn)行處理，得到相應(yīng) 的特征進(jìn)行存儲(chǔ)。 識(shí)別過(guò)程采用與注 冊(cè)過(guò)程一致的信息采集方式對(duì)待識(shí)別人進(jìn)行信息采集、 數(shù)據(jù)預(yù)處理和特征提取， 然后將提取的特征與存儲(chǔ)的特征進(jìn)行比對(duì)分析，完成識(shí)別。從應(yīng) 用任務(wù)看，生物 特征識(shí)別一般分為辨認(rèn)與確認(rèn)兩種任務(wù)，辨認(rèn)是指從存儲(chǔ)庫(kù)中確定待識(shí)別 人身份 的過(guò)程， 是

26、一對(duì)多的問(wèn)題； 確認(rèn)是指將待識(shí)別人信息與存儲(chǔ)庫(kù)中特定單人信息進(jìn) 行 比對(duì)，確定身份的過(guò)程，是一對(duì)一的問(wèn)題。生物特征識(shí)別技術(shù)涉及的容十分廣泛，包括指紋、掌紋、人臉、虹膜、指 靜脈、聲紋、步 態(tài)等多種生物特征，其識(shí)別過(guò)程涉及到圖像處理、計(jì)算機(jī)視覺(jué)、 語(yǔ)音識(shí)別、機(jī)器學(xué)習(xí)等多 項(xiàng)技術(shù)。目前生物特征識(shí)別作為重要的智能化身份認(rèn)證 技術(shù)，在金融、公共安全、教育、 交通等領(lǐng)域得到廣泛的應(yīng)用。下面將對(duì)指紋識(shí) 別、人臉識(shí)別、虹膜識(shí)別、指靜脈識(shí)別、聲 紋識(shí)別以及步態(tài)識(shí)別等技術(shù)進(jìn)行介紹。（1）指紋識(shí)別 指紋識(shí)別過(guò)程通常包括數(shù)據(jù)采集、數(shù)據(jù)處理、分析判別三個(gè)過(guò)程。數(shù)據(jù)采集 通過(guò)光、電、力、熱等物理傳感器獲取指紋圖像；數(shù)據(jù)

27、處理包括預(yù)處理、畸變校正、特征提 取三個(gè)過(guò)程；分析判別是對(duì)提取的特征進(jìn)行分析判別的過(guò)程。（2）人臉識(shí)別 人臉識(shí)別是典型的計(jì)算機(jī)視覺(jué)應(yīng)用，從應(yīng)用過(guò)程來(lái)看，可將人臉識(shí)別技術(shù)劃 分為檢測(cè)定位、 面部特征提取以及人臉確認(rèn)三個(gè)過(guò)程。 人臉識(shí)別技術(shù)的應(yīng)用主要 受到光照、 拍攝角度、圖像遮擋、年齡等多個(gè)因素的影響，在約束條件下人臉識(shí) 別技術(shù)相對(duì)成熟，在 自由條件下人臉識(shí)別技術(shù)還在不斷改進(jìn)。（3）虹膜識(shí)別 虹膜識(shí)別的理論框架主要包括虹膜圖像分割、虹膜區(qū)域歸一化、特征提取和識(shí)別四個(gè)部分，研究工作大多是基于此理論框架發(fā)展而來(lái)。虹膜識(shí)別技術(shù)應(yīng)用的 主要難題 包含傳感器和光照影響兩個(gè)方面：一方面，由于虹膜尺寸小且受黑

28、色素 遮擋，需在近紅外 光源下采用高分辨圖像傳感器才可清晰成像，對(duì)傳感器質(zhì)量和 穩(wěn)定性要求比較高；另一方 面，光照的強(qiáng)弱變化會(huì)引起瞳孔縮放，導(dǎo)致虹膜紋理 產(chǎn)生復(fù)雜形變，增加了匹配的難度。（4）指靜脈識(shí)別 指靜脈識(shí)別是利用了人體靜脈血管中的脫氧血紅蛋白對(duì)特定波長(zhǎng)圍的 近 紅外線有很好的吸收作用這一特性，采用近紅外光對(duì)指靜脈進(jìn)行成像與識(shí)別的 技術(shù)。由于 指靜脈血管分布隨機(jī)性很強(qiáng)，其網(wǎng)絡(luò)特征具有很好的唯一性，且屬于 人體部特征，不受到 外界影響， 因此模態(tài)特性十分穩(wěn)定。 指靜脈識(shí)別技術(shù)應(yīng)用 面臨的主要難題來(lái)自于成像單元。（5）聲紋識(shí)別 聲紋識(shí)別是指根據(jù)待識(shí)別語(yǔ)音的聲紋特征識(shí)別說(shuō)話人的技術(shù)。 聲紋識(shí)別技術(shù) 通