智慧應用 影音
D Book
 
EVmember
member
徐宏民
  • 台大資工系教授
徐宏民(Winston Hsu)現任富智捷(MobileDrive)技術長暨副總經理以及台大資訊工程學系教授。哥倫比亞大學電機博士，專精於機器學習、大規模影像視訊搜尋與辨識。為訊連科技研發團隊創始成員，慧景科技(thingnario)共同創辦人，NVIDIA AI Lab計畫主持人；曾任IBM華生研究中心客座研究員、美國微軟研究院客座研究員。習慣從學術及產業界的角度檢驗技術發展的機會；十餘年產學合作及新創經驗。曾獲2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018偽裝人臉辨識冠軍、傑出資訊人才獎、吳大猷先生紀念獎等國內外研究獎項。
機械手臂與3D立體視覺
近年來協作型機械手臂大幅成長，人機協作也成了生產線的未來態勢。
2019/12/3
精進3D人臉辨識
3D感測器所拍攝到的資訊比傳統的2D相機(僅捕捉立體環境中某個視角)包含更豐富的3D幾何資訊。在人臉辨識應用機會高度發展的時候，3D感測器自然被賦予相當期待來精進人臉辨識。
2019/11/27
LiDAR車輛智慧偵測
3D(立體)視覺計算的目的是利用3D感測器所拍攝的資訊，來偵測物件或是辨識應用場景。因自駕車或是ADAS的商機，能精確掌握人、車、障礙物位置、方向、速度等技術，就成為學研以及產業關切的方向。LiDAR雖然價格不斐，但仍為目前車輛中最受矚目的3D感測器，因其利用雷射光的飛行時間來偵測環境，所以可以測得更遠距離。
2019/11/19
[3D視覺計算] 3D視覺計算方式
3D(立體)視覺計算的目的是利用3D感測器所拍攝到的資訊，來偵測物件或是辨識應用場景。例如自駕車使用LiDAR精確掌握人、車、障礙物位置；機器手臂使用立體相機偵測正確的抓取點、塗膠位置等。需要3D訊號是因為多了立體空間資訊，有機會超越單使用2D平面影像。所以各種嶄新的應用包括AR(擴增實境)/VR(虛擬實境)、自駕車、 醫療、安全、機械製造、機器人(手臂)等都仰賴3D視覺計算的精進。
2019/11/12
[3D視覺計算] 3D視覺機會來臨！
這幾年深度學習技術大大推升影像上的研究，許多核心技術都有超越人類的辨識能力，並逐漸落地為產品。3D感測器以及各種應用則是另一崛起中的技術趨勢；傳統影像屬於2D，透過拍攝將立體環境中某個視角，投影在二維平面中。所以3D影像比2D多了深度資訊(距離相機的位置)，更可以透過線性轉換了解觀測物件在3D中的位置，因此3D影像可以獲得更豐富的立體空間訊息，但是也因為與傳統2D影像不同，所以處理複雜度較高，甚至還不知如何發揮這些3D資料的高度潛力。
2019/11/5
少量標註樣本的機器（深度）學習
資料的可得性決定機器（深度）學習演算法的可靠度。過去已經有許多研究指出，同一個演算法，當（標註的）訓練資料愈多時，通常演算法的正確率或是穩定度就越高。但在真實的情境中，訓練資料通常是缺乏的，成為應用落地的障礙。
2019/10/30
標註的訓練資料不夠怎麼辦？談自我監督學習新趨勢
機器(深度)學習演算法的效益決定於訓練資料的可得性，特別是目前應用中大多為監督式的學習(supervised learning)，必須提供(人工)標註資料來訓練。 所以在標記資料量少的領域，前瞻演算法的效力就很難發揮，原因是特定領域的資料較難取得、或是標註成本較高，如醫學影像、工業生產、金融決策等。
2019/10/22
何處延攬AI新秀？掌握最新技術趨勢？
在這波智能技術變革中，大家急於掌握前瞻技術，以及延攬炙手可熱的AI人才。那裡才是最好的場域呢？莫過於「頂尖國際會議」（Top Conferences）。
2019/10/15
如何設計低耗能、高功效深度學習網路(三)
延續深度學習網路精簡設計的主題，我們必須在正確率不打折的情況下，設計出兼具低運算複雜度、低耗電、低參數量的智能算法。目前的設計原則是將「冗餘」的運算予以精簡。這些龐大運算以及冗餘由何而來，可以參考前文。本文中介紹剩下的兩種精簡設計策略。
2019/6/25
如何設計低耗能、高功效深度學習網路(二)
延續深度學習網路精簡設計的主題，為了符合商業價值（特別是邊緣計算的龐大機會），我們必須在正確率不打折的情況下，設計出兼具低運算複雜度、低耗電、低參數量的智能算法。目前的設計原則是將「冗餘」的運算予以精簡。原因是近來很多研究顯示目前的深度學習網路設計中夾雜了冗餘的參數以及運算。這些龐大運算由何而來，可以參考前文。依照這幾年的研究，我們將其整理為四種精簡設計策略，在本文中先介紹其中兩種。
2019/6/18
訂閱椽經閣電子報
 
新文章上刊時發送，提供您DIGITIMES專家及顧問群的最新觀點、見解。
Hackthon

推薦活動

熱門報導