計算機視覺是物聯(lián)網(wǎng)(IoT)廣泛應用的基礎。家庭成員通過安裝了攝像頭的家庭監(jiān)控系統(tǒng)就能了解家里的所有情況。機器人和無人機使用視覺系統(tǒng)映射環(huán)境并避免行進中的障礙物。增強現(xiàn)實眼鏡使用計算機視覺來覆蓋用戶視圖上的重要信息；汽車通過來自安裝在車輛上多個照相機捕捉的圖像，向駕駛員提供有助于防止碰撞的環(huán)繞或“鳥瞰”視圖。各種應用案例數(shù)不勝數(shù)。

    多年來，設備功能(包括計算能力、內(nèi)存容量、功耗、圖像傳感器分辨率以及光學系數(shù))的指數(shù)式演變提高了物聯(lián)網(wǎng)應用中計算機視覺的性能和成本效益。伴隨這些而來的是精密軟件算法的發(fā)展和完善，例如人臉檢測和識別、物體檢測和分類以及同步定位和映射等。

    機器學習的興起和面臨的挑戰(zhàn)

    近年來，人工智能(AI)，尤其是深度學習的發(fā)展，進一步加快了物聯(lián)網(wǎng)視覺應用的激增。與傳統(tǒng)的計算機視覺技術(shù)相比，深度學習為物聯(lián)網(wǎng)開發(fā)人員在諸如目標分類等任務方面提供了更高的準確性。由于深度學習中使用的神經(jīng)網(wǎng)絡是“通過訓練”而不是“編程”實現(xiàn)的，使用這種方法的應用通常更易進行開發(fā)，從而更好地利用當前系統(tǒng)中可用的大量圖像和視頻數(shù)據(jù)。深度學習還提供了卓越的多功能性，這是因為與針對性更強的計算機視覺算法相比，神經(jīng)網(wǎng)絡研究和框架的用途更廣。

    但是，深度學習的優(yōu)勢并非沒有權(quán)衡和挑戰(zhàn)。深度學習需要大量的計算資源，用于訓練和推測階段。最近的研究表明，不同的深度學習模型所需的計算能力與深度學習技術(shù)的精度之間存在緊密的關(guān)系。在基于視覺的應用程序中，從75%到80%的精度轉(zhuǎn)變可能需要不少于數(shù)十億次額外的數(shù)學運算。

    使用深度學習的視覺處理結(jié)果也取決于圖像分辨率。例如，為了在目標分類過程中獲得最充分的表現(xiàn)需要高分辨率的圖像或視頻，從而提升了需要處理、存儲和傳輸?shù)臄?shù)據(jù)量。圖像分辨率對于需要在遠處探測和目標分類的應用尤為重要，例如企業(yè)安防攝像頭。

    計算機視覺與機器學習結(jié)合以獲得更佳性能

    傳統(tǒng)的計算機視覺和深度學習方法之間有明顯的折中。傳統(tǒng)的計算機視覺算法已經(jīng)成熟，經(jīng)過驗證，并且在性能和功率效率方面進行了優(yōu)化；而深度學習能提供更高的精度和多功能性，但是需要大量的計算資源。

    那些希望快速實施高性能系統(tǒng)的用戶發(fā)現(xiàn)，將傳統(tǒng)計算機視覺和深度學習相結(jié)合的混合方法可以提供兩全其美的解決方案。例如，在安防攝像頭中，計算機視覺算法可以有效地檢測場景中的人臉或移動物體。然后，通過深度學習來處理檢測到的面部或目標圖像的較小片段，以進行身份驗證或目標分類。與整個場景、每幀深度學習相比，節(jié)省了大量的計算資源。

    充分利用邊緣計算

    就像使用純粹的深度學習一樣，用于視覺處理的混合方法可以充分利用邊緣的異構(gòu)計算能力。異構(gòu)計算架構(gòu)有助于提高視覺處理性能和能效，為不同的工作負載分配最高效的計算引擎。當深度學習推斷是在DSP上執(zhí)行而不是在CPU上執(zhí)行時，測試結(jié)果顯示目標檢測延遲降低了10倍。

    與云計算相比，在物聯(lián)網(wǎng)設備本身上運行算法和神經(jīng)網(wǎng)絡推斷也有助于降低延遲和帶寬要求。邊緣計算還可以通過減少云存儲和處理要求來降低成本，同時通過避免在網(wǎng)絡上傳輸敏感或可識別的數(shù)據(jù)來保護用戶的隱私和安全。

    深度學習創(chuàng)新正在推動物聯(lián)網(wǎng)突破，以及將這些技術(shù)與傳統(tǒng)算法相結(jié)合的混合技術(shù)的發(fā)展。視覺處理只是一個開始，因為相同的原則可以應用于其他領(lǐng)域，如音頻分析等。隨著邊緣設備變得更加智能和強大，創(chuàng)新者可以開始構(gòu)建此前無法實現(xiàn)的產(chǎn)品和應用。