「YOLO 之父」Joseph Redmon 宣布退出计算机视觉领域了!这个刚刚出现的消息着实让人工智能界感到惊讶。
在社交网络上,这位 YOLO知名 AI 算法的发明者昨天突然声明:出于道德上的考虑,他决定停止一切有关计算机视觉的研究。
在 AI 领域,这还是第一次。
说到 YOLO,相信每个计算机视觉从业者都不陌生。它是一种非常常用的目标检测算法,任务是找出图像中我们感兴趣的目标,确定其大小和位置并识别出具体是哪个对象。从自动驾驶到人脸识别,很多日常生活中的常见任务都离不开这种算法。
YOLO 模型最早是由 Joseph Redmon 等人在 2015 年提出的,并在随后的几篇论文中进行了修订。
Faster R-CNN 及在其基础上改进的 Mask R-CNN 在实例分割、目标检测、人体关键点检测等任务上都取得了很好的效果,但通常较慢。而 YOLO 的创新之处在于,它提出了 one-stage,即目标定位和目标识别在一个步骤中完成,是名副其实的「You Only Look Once」。
由于 YOLO 只使用单个网络,因此可以直接在检测性能上进行端到端优化,使得基础 YOLO 模型能以每秒 45 帧的速度实时处理图像。YOLO 的一个小规模版本——Fast YOLO 可以达到每秒 155 帧的处理速度。
YOLO 有着让人惊艳的速度,同时也有让人止步的缺陷:不擅长小目标检测。为了弥补这一缺陷,2018 年,Redmon 等人发布了 YOLO v3。这一新版本保持了 YOLO 的速度优势,提升了模型精度,尤其加强了小目标、重叠遮挡目标的识别,补齐了 YOLO 的短板,是目前速度和精度均衡的目标检测网络。
研究者们对于 YOLO 下一个版本的展望主要在于三个方面:更高的识别准确率、更加广泛的实时监测,以及更轻量化的模型。在 GitHub 上,人们对于 v4 版本什么时候出的问题,得到的答案一直是「coming soon」。
一直以来,Joseph Redmon 跟随 Allen School 教授 Ali Farhadi 从事计算机视觉研究,他是 2018 年度谷歌博士奖学金的获得者,理由是在「创造更快、更好、更有用的计算机视觉应用工具」方面的贡献。
免费分享一些我整理的人工智能学习资料给大家,整理了很久,非常全面。包括一些AI常用框架实战视频、图像识别、YOLO、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI,推荐大家收藏一份。
下面是部分截图,文末附免费下载方式。
一、人工智能必读书籍
二、人工智能免费视频课程和项目
三、人工智能论文合集
四、人工智能行业报告
学好人工智能,要多看书,多动手,多实践,要想提高自己的水平,一定要学会沉下心来慢慢的系统学习,最终才能有所收获。