上面這篇文章也是吹捧深度學習對影像辨識方面的發展前景如何看好的文章之一！我看到上面這段話時卻非常錯愕！截圖字太小怕大家看不清楚，摘錄原文如下：
2. 不需要太多領域知識的深度學習
近幾年的深度學習起源是由2012年的AlexNet[2]開始，在當時使用傳統演算法辨識圖片皆只能達到Top5錯誤率約25.7%左右，Top5錯誤率是指電腦所猜測的最佳五個結果中其中有一個對就算回答正確，而AlexNet使用深度學習的方法可以達到Top5錯誤率僅有17.0%，這是一個相當大的突破。
真虧他們想得出Top5這種自我安慰的標準算法？這和我們現在研究的案子辨識紙箱輪廓有相似之處，我們也是按照我們的可用邏輯，做出了多個可能的答案，今天才跟客戶報告說：我們目前多組答案中有包含正確答案的比率是80%，大概就是達到他們說的Top5標準的已有八成，還在進步之中。
但是畢竟客戶需要的是唯一正確的那個答案！所以如果在Top5的候選答案中隨機猜一個，真實辨識成功的辨識率會只有16%！那當然是毫無使用價值的無效辨識軟體！所以我們的規劃是：在這已有包含可能答案的候選答案中，以我們對紙箱目標的物理科學理解，就是上述文章所說的「領域知識」，建立量化評估的標準，盡可能正確的選出唯一對的答案！就可以逼近八成辨識率了！
必須說明：我們目前這個專案研究的標的，約有200張圖庫影像，都是客戶既有產品無法辨識的特殊案例！所以如果包含正常影像來統計辨識率，我們早就突破95%了！我們可以說是在最困難的5%的影像之中精益求精，如果這批很刁難的資料可以達到八成辨識率就是偉大勝利了！
所以他們好像是在睜眼說瞎話？不需要太多領域知識的深度學習其實甚麼有意義的辨識率都無法達到！相對的，如果你知道要辨識甚麼特定目標，善用「領域知識」就可以像我們一樣，使用他們說的「傳統演算法」每幾個月就會有新的影像辨識產品推出，辨識率當然都是95%，甚至98%以上的水準！而且速度很快，完全不需要昂貴的GPU電腦！
但是各位可以到市場上實際探訪一下，就會發現真正實用廣用的深度學習產品實在非常少！即使你找得到價格也非常貴！還需要特殊規格的電腦在很耗電的情況下才能運作！這都是大家太相信深度學習的後果！因為它先天上就不是可以做出高正確率與高辨識率的一種技術！
如果希望更準確到實用的標準，一定不是只增加資料更大量學習訓練就行的！一定要加入更多領域知識的挑選限制與演算，那就不如一開始就不要依賴深度學習了！使用「傳統演算法」只要你肯繼續深入研究，像我們一樣，就不需要大量資料也可以快速做出極高辨識率的軟體了！我不是吹牛，我們天天在做這種事過活！所以他們說不需要太多領域知識只是欺騙想偷懶的外行人而已！做影像辨識最重要的核心利器就是各領域的知識！
很諷刺的是：上面那篇文章的作者，也是工研院標榜深度學習車牌辨識系統研發的領銜人！但是市面上很少看到他們的產品，我唯一一次看到的是使用他們系統的人因為辨識率不佳，跟工研院反應也已讀不回，很困擾！所以要我去現場評估能否抽換辨識核心為我的軟體？答案當然是對方廠商不願配合！
更諷刺的是：工研院另一個研究所需要車牌辨識核心時，他們自己人都不捧場，不願使用自己工研院推出的深度學習車牌辨識，反而大老遠到台南來跟我買DLL回去組裝？還連買了兩三次！這是甚麼意思？擺明了告訴大家深度學習就是很貴又不實用的技術嗎？工研院都不挺工研院了！我說的都是事實！我的東西真的便宜很多還辨識更準嘛！
所以大家看懂了嗎？他們賺錢的來源絕對不是跟我一樣去市場上賺的！而是鼓吹外行初學者對深度學習產生迷信，趁勢推銷課程與教材的！目前ML、DL與CNN的相關進修課程、工具軟體或實驗訓練平台非常多！但真實產品卻非常稀少罕見！所以他們都是在撈無知迷信AI者的錢！不是真的靠製作AI產品過活的！我才是！深度學習當然有一定程度的用處，但絕對沒有他們說的那麼厲害！他們只是常推銷AI課程的商人，不是真的最厲害的專家！我的車牌辨識不就比他們厲害嗎？
限會員,要發表迴響,請先登入
