计算机视觉

1、计算机视觉在过去十年中取得了巨大的进步，主要是由于机器学习技术(特别是深度学习)的使用。
新的数据显示，计算机视觉正在产业化：在一些最大的基准上，表现开始趋于平缓，这表明社会需要制定和商定更难的标准，以进一步测试表现。
与此同时，企业正在投入越来越多的计算资源，以更快的速度训练计算机视觉系统。
同时，用于已部署系统的技术(如用于分析视频静止帧的目标检测框架)正在迅速成熟，这表明人工智能的进一步部署。
计算机视觉图像挑战：最高精度自然语言处理(NLP)超出了其评估指标：NLP的快速发展产生了人工智能系统，其语言能力显著提高，已开始对世界产生有意义的经济影响。
谷歌和微软都在搜索引擎中部署了BERT语言模型，而其他大型语言模型则是由微软和OpenAI等公司开发的。
NLP的进展如此之快，以至于技术进步已经开始超过测试它们的基准。
这可以从快速出现的系统中看出，这些系统在SuperGLUE上获得了人的水平的性能，这是一个NLP评估套件，是针对早期NLP进展超过了GLUE评估的能力而开发的。
SuperGLUE 基准新的推理分析：大多数技术问题的衡量标准都显示了每个时间点最佳系统在固定基准上的表现。
人工智能指数开发的新分析有一些指标，这些指标考虑到了一个不断发展的基准，并考虑到随着时间的推移，将一组系统的总体性能的一部分归因于单个信用系统。
这些被应用于两个符号推理问题，自动定理证明。

2、工业随着政府大力推进工业互联网的发展，深度学习算法突破使工业视觉技术达到商业化水平。
智能芯片快速发展和云计算的广泛使用，使得视觉技术在工业中的渗透率日益提升，市场快速发展。
视觉在工业生产中的需求主要如下。
1产品线上质量检测人工质检面临质量成。

3、深度神经网络处理多模态问题根据图片讲故事 ：首先使用一个小说的数据库，对模型进行训练;其次根据图片里面的关健词和它的意图去匹配小说中间的文段，把有关的文段全部拿出来，拿出来这些文段有的是不成文章的，所以要进行下一轮的匹配，把这些文段中间的关。