阿里、微软“看图说话”AI系统竞赛，WiMi微美全息机器人AI视觉突出

       随着材料科学、感知人工智能以及5G、云等网络技术的不断进步，将出现护理机器人、仿生机器人、社交机器人、管家机器人等形态丰富的机器人，涌现在家政、教育、健康服务业，带给人类新的生活方式。以5G、AR／VR、全息技术、机器学习等新技术使能的超级视野，将帮助我们突破空间、表象、时间的局限，见所未见，赋予人类新的能力。

 

       近日，来自中国AI在这项能力上已经打破了世界纪录。在第二届全球AI视觉对话竞赛（Visual Dialogue Challenge）中，阿里AI击败了微软、首尔大学等十支参赛队伍，一举获得冠军。

 

       这场视觉对话竞赛由美国佐治亚理工大学、Facebook人工智能实验室（FAIR）等机构联合全球视觉技术领域顶级学术会议CVPR发起，是目前视觉对话领域最权威的竞赛之一。

 

       竞赛结果显示，阿里AI以74．57％的准确率获得冠军，将上一届比赛的纪录提高了16．82％，并且超过微软AI的64．78％的准确率。而在相同的数据集中，人类的准确率仅为64．27％，AI甚至胜过了人类。传统的视觉AI主要针对目标的检测和识别，但对复杂场景中目标之间的逻辑关系理解、推理能力较弱，无法回答表达图片对象直接关系的复杂问题，也难以将图片信息转化为人类理解的语言输出。这意味着，要实现视觉对话能力，传统的视觉AI在学会“看图”之后，还要有一种语言模型来支撑它“说话”。阿里AI的突破就在于提出了“递归探索对话模型”

 

       目前微软还开放了能“看图说话”的AI系统，用户进入官网上传图片，稍等一会，就能看到系统对于图片的描述。其准确率虽然不低但依旧有待提升，以一张曾经广为流传的黑人问号表情图片为例，AI很快给出了客观的回答：“我觉得这是篮球队员尼克·杨露出牙齿微笑。”

 

       阿里、微软“看图说话”AI系统竞赛，WiMi微美全息机器人AI视觉突出

 

       以“看图说话”为代表的视觉对话是近年来快速崛起的AI研究方向，目的在于教会机器用自然语言与人类讨论视觉内容，这能够使机器拥有了对真实视觉世界的理解与推断能力，也意味着AI的认知能力将迈上新的台阶。

 

       正如《2001太空漫游》《流浪地球》等科幻大片中无障碍的人机对话系统所描绘的那样，拥有智能视觉对话能力的AI随着技术的不断突破，正在向我们走来。

 

       市场研究机构 IDC 最新发布的《全球半年度 AI 系统支出指南》显示，亚太地区 2019 年在人工智能 （AI） 系统方面的支出预计将达到 55 亿美元，比 2018 年增长近 80 ％。随着各行各业积极投资于利用 AI 软件功能的项目，预计 2022 年将增至 150．6 亿美元。亚太地区正迅速推动 AI 应用迅速增长，因为其数字生态系统非常适合这种新生技术发展。

 

       人体识别指的是运用计算机技术在视频流或图像中对人体进行检测、属性描述以及行为识别，如我们熟知的人体检测与跟踪、人体关键点定位、人像分割、人体行为识别 ReID 技术、手势识别等。

 

       微美全息专注于计算机视觉全息云服务，微美全息覆盖从全息计算机视觉AI合成、全息视觉呈现、全息互动软件开发、全息AR线上及线下广告投放、全息ARSDK支付、5G全息通讯软件开发、全息人脸识别开发、全息AI换脸开发等全息AR技术的多个环节，是一家全息云综合技术方案提供商。

 

       微美全息十分注重底层技术的研发，凭借多年来在计算机视觉领域的耕耘与积累，微美全息已经完成了从0到1的技术沉淀、打磨，微美的AI视觉技术已经到了成熟落地，各项技术指标也达到了行业的领先水平。技术成熟后，微美着重规划了从1到N落地应用，其中机器人是规划中非常重要的一环。微美全息云产品布局商业应用场景主要聚集在家用娱乐、光场影院、演艺系统、商业发布系统及广告展示系统等五大专业领域。

 

       微美的全息图像处理功能定期进行优化和改进，包括两项核心技术：全息AI面部识别技术和全息AI面部变化技术。由于视频处理和识别技术的发展，微美基于图像检测、识别、模板匹配、图像动态融合和替换的全息AR广告和全息成像服务目前在行业中处于领先地位。

 

       全息面部变化技术基于全息3D图层替换技术，包括基于AI的图像识别和动态融合处理技术，实时跟踪图像以及用其他面部替换面部。该技术取代视频帧中的人脸，合成视频并添加原始音频。微美已经在全息AR插件广告应用中验证了这些技术模块，并将继续开发和升级这些技术模块。微美相信这项技术将为名人广告，电影发行和直播视频流等应用带来新的业务增长。

 

       阿里、微软“看图说话”AI系统竞赛，WiMi微美全息机器人AI视觉突出

 

       同时，机器人行业也迫切需要AI视觉技术的支持来突破技术瓶颈，解决机器人现有成本、智能化等问题。通过微美全息的图像语义技术，机器人可以进行图像识别、语义分割，结合深度数据可以帮助机器人建立语义地图，实现对周围环境的立体感知与理解，使机器人具备从识别到决策的AI交互能力，实现诸如目标行人追踪、服务机器人送餐上门等功能，大幅提升机器人的智能水平。

 

       近日，中国华为技术有限公司发布了全球产业展望报告GIV2025，认为智能世界正在加速而来，触手可及。根据该报告的预测，到2025年，智能技术将渗透到每个人、每个家庭、每个组织，全球58％的人口将能享有5G网络，14％的家庭拥有“机器人管家”，97％的大企业将应用人工智能。华为全球信息和通信技术基础设施业务首席营销官张宏喜表示：“人类的探索永不止步，从地球到太空要飞得更高，从过去到未来要看得更远，从创新到创造要想得更深。今天，以人工智能、5G、云计算为主导的第四次工业革命所带来的改变，正在改变各行各业，推进智能世界加速到来。