這應該是少數真的實際使用中的狹義的「AI」影像辨識，就是使用機器學習(ML)、深度學習(DL)與類神經網路(CNN)等技術製作的影像辨識系統！但是當他們成功達到使用者需求時，完全不表示它們可以成功取代其他的傳統影像辨識技術！連門都沒有！用英文說就是「Not even close!」差得遠了！
但是這些年的AI宣傳真的很成功，讓幾乎所有人都相信了這個極端錯誤的觀念！甚至已經誇張到連學校開課提到影像辨識時都認為應該以ML、DL與CNN相關技術為核心？以CNN為基礎的YOLO技術還被吹捧到像神一樣？如上的畫面就是典型的YOLO產生的畫面。這個錯誤的觀念真的會讓影像辨識技術完全走錯方向，因此停滯甚至倒退數十年！雖然眾人皆醉我獨醒的狀況對我的生意有幫助，但是我於心不忍，還是基於學術良知要大聲告訴大家真相！
上面的局部放大就可以凸顯出這種AI技術，並不是廣告暗示，或人們相信的那麼神奇了！其實它們的判斷錯誤率是很高的！完全比不上人眼的判斷能力，即使訓練資料再多辨識能力也不過就是如此，事實跟他們宣傳的「資料夠多就會很準？」的說法差距極大！
重點是：如果你使用傳統的影像辨識技術去辨識上圖，還是一樣可以在調整參數門檻與整合相關技術之後找到上述影像中魚群產生的光影，進而加以組織運算得到與這些AI影像辨識相似甚至更好的辨識率！而且需要的研究資料量與運算量都極少！只要AI研發所需的十分之一甚至百分之一的資料就能達到一樣甚至更好的辨識率！
不只是開發辨識核心的過程，真正上線執行辨識時因為傳統辨識技術不必使用CNN(YOLO)，運算量也是少十倍以上！完全不需要使用到GPU等周邊設備，當然成本就更低了！這絕對不是我隨便瞎掰的，如果相關單位願意找我們開發類似系統，我們的成果一定會讓這些AI影像辨識非常難看，甚至到無地自容的地步！這絕對不是我的想像，而是已經發生的事實！
我們是沒開發過辨識魚群的軟體，傳統的OCR技術在辨識模糊目標上似乎也是一個弱點？也因此被認定不可能比那些「AI」技術表現更好？但事實上這是可以克服的！我們公司就在完全不必使用耗時費事的那些AI技術的前提下作出了如上的辨識工地揚塵的監測軟體，徹底打敗了某國立科大影像辨識中心開發的AI影像辨識成果！
工地揚塵是比水中游魚更加模糊的目標，但是只要搭配動態變化的概念，就可以很準確的辨識出來！上圖的揚塵區看起來「解析度」不高，只是很粗糙的矩形方塊標示，原因不是我們無法辨識揚塵的準確邊界，只是這樣的解析度已能達到辨識目的，降解析節省運算量就可以用一樣的電腦辨識更多的工地影像！我們的軟體是可以做到一台普通電腦監測六個監視畫面的！
所以上面這個實際已經上線使用的案例，證明我們可以用更短的時間，更少的資料，以及更低的營運成本完成目標非常模糊的影像辨識！將原本一個AI工地監測需要數十萬成本的影像辨識工作，直接降低到只要兩三萬元！開發時程只用了兩三個月！你認為我們會無法做出比那些AI更好更便宜的魚群辨識軟體嗎？
這些年我們已經一再的用實際成果證明影像辨識就是影像辨識！完全不必與ML、DL或CNN掛勾！它們不但不是影像辨識所必須使用的技術，反而是影像辨識技術的逆流！從開發到營運成本都高到不合理，辨識率也不高，還難以優化提升，根本無法推廣使用！不信你可以親自去試試看！但是你必須有錢到承受得起高額的虧損！
事實上我們的客戶多半都是AI影像辨識的受災戶來的！也沒有一位對我們失望過！我們當然不是萬能，但是都會先經過審慎評估與溝通，確定可以達到客戶的辨識率與成本管控的期望才會報價接案的！我們的結案成功率是百分之百！從來就不曾失敗過的！不信可以去四處打聽，我不會說謊的！
限會員,要發表迴響,請先登入
