近日，國際計算機視覺領域頂級會議ICCV 2021舉辦的VIPriors挑戰(zhàn)賽落下帷幕，賽事聚焦前沿的AI神經網絡學習等問題展開，試圖探索在少量訓練樣本情況下，如何提升AI模型學習效率。隨著神經網絡和視覺轉換器的發(fā)展，給海量數據打標，已成為打造智能AI的基礎，但對數據的收集和打標都需要高昂的成本，尤其是對海量的數據進行訓練會消耗大量的計算資源，還會大幅增加“碳排放”。
來自清華大學、復旦大學、北京郵電大學以及南洋理工大學、中佛羅里達等國內外知名高校和阿里巴巴、?？低?、字節(jié)跳動、網易、松下電器等國內外研究AI技術的知名企業(yè)一同參賽。
最終，阿里安全團隊通過“數據增強”“動態(tài)網絡結構”“偽標簽方法”等方式結合解題，贏得了圖像分類賽道和工業(yè)檢測賽道的雙料冠軍。阿里團隊通過該方法，不僅降低了超過30%的AI模型算力成本，實現更低碳的AI計算，同時還提升了檢測模型的檢測精度。
參賽選手阿里安全算法工程師慧明介紹，工業(yè)檢測賽道要求參賽者利用AI在1萬輛涉及多種型號的破損自行車中，定位到每輛自行車丟失的零部件，按每輛自行車標注22個關鍵零部件來算，1萬輛意味著總計有22萬個零部件的檢測量。
“主辦方要求不能使用任何額外數據訓練AI算法模型，只能用這1萬張標注的自行車圖訓練出一個檢測性能最好的AI。”慧明表示，這對現實應用中，AI模型遇到不同的問題場景或新風險，具有非常強的少樣本訓練實踐參考意義。
圖說：ICCV2021 VIPriors使用的部分自行車賽題圖片
最終，阿里安全算法專家們精心設計的檢測算法模型以均值平均準確率30.4%的成績獲得工業(yè)檢測賽道冠軍?；勖鹘榻B稱，該新一代安全架構核心AI技術已應用在阿里的圖片安全業(yè)務場景，并進行了商業(yè)化輸出，幫助更多用戶規(guī)避多變的內容風險。在“圖像分類”賽道上，阿里安全設計的動態(tài)網絡技術則實現了在少量樣本且不需要預訓練模型的前提下，提升了模型效果，這一“分類AI”也已經投入使用，幫助阿里多個業(yè)務線節(jié)約超過30%的成本。
上述技術對解決工業(yè)檢測問題也有廣闊想象空間，比如列車零部件缺失檢測。為保障列車運行安全，檢測工人依靠熟練的經驗來檢查列車的零部件是否缺失，但人力終究有限，遺漏的可能性很高，未來有望通過AI算法實現排查檢測。
阿里安全人工智能治理與可持續(xù)發(fā)展實驗室（AAIG）資深算法專家薛暉表示，AI等技術創(chuàng)新在保障網絡安全和工業(yè)安全上有很大的想象空間。每一次學術界和工業(yè)界的攜手試煉，是對未來依靠科技進步解決更多關系國計民生問題的開墾。
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
