徐宏民专栏

工研院

ST Microsite

徐宏民

台大资工系教授

徐宏民(Winston Hsu)现任富智捷(MobileDrive)技术长暨副总经理以及台大信息工程学系教授。哥伦比亚大学电机博士，专精于机器学习、大规模影像视讯查找与识别。为讯连科技研发团队创始成员，慧景科技(thingnario)共同创始人，NVIDIA AI Lab计划主持人；曾任IBM华生研究中心客座研究员、美国微软研究院客座研究员。习惯从学术及产业界的角度检验技术发展的机会；十余年产学合作及新创经验。曾获2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018伪装人脸识别冠军、杰出信息人才奖、吴大猷先生纪念奖等国内外研究奖项。

机械手臂与3D立体视觉

近年来协作型机械手臂大幅成长，人机协作也成了生产线的未来态势。

精进3D人脸识别

3D传感器所拍摄到的信息比传统的2D镜头(仅捕捉立体环境中某个视角)包含更丰富的3D几何信息。在人脸识别应用机会高度发展的时候，3D传感器自然被赋予相当期待来精进人脸识别。

LiDAR车辆智能侦测

3D(立体)视觉计算的目的是利用3D传感器所拍摄的信息，来侦测物件或是识别应用场景。因自驾车或是ADAS的商机，能精确掌握人、车、障碍物位置、方向、速度等技术，就成为学研以及产业关切的方向。LiDAR虽然价格不斐，但仍为目前车辆中最受瞩目的3D传感器，因其利用雷射光的飞行时间来侦测环境，所以可以测得更线上离。

[3D视觉计算] 3D视觉计算方式

3D(立体)视觉计算的目的是利用3D传感器所拍摄到的信息，来侦测物件或是识别应用场景。例如自驾车使用LiDAR精确掌握人、车、障碍物位置；机器手臂使用立体镜头侦测正确的抓取点、涂胶位置等。需要3D信号是因为多了立体空间信息，有机会超越单使用2D平面影像。所以各种崭新的应用包括AR(增实境)/VR(虚拟实境)、自驾车、医疗、安全、机械制造、机器人(手臂)等都仰赖3D视觉计算的精进。

[3D视觉计算] 3D视觉机会来临！

这几年深度学习技术大大推升影像上的研究，许多核心技术都有超越人类的识别能力，并逐渐落地为产品。3D传感器以及各种应用则是另一崛起中的技术趋势；传统影像属于2D，透过拍摄将立体环境中某个视角，投影在二维平面中。所以3D影像比2D多了深度信息(距离镜头的位置)，更可以透过线性转换了解观测物件在3D中的位置，因此3D影像可以获得更丰富的立体空间信息，但是也因为与传统2D影像不同，所以处理复杂度较高，甚至还不知如何发挥这些3D数据的高度潜力。

少量标注样本的机器（深度）学习

数据的可得性决定机器（深度）学习演算法的可靠度。过去已经有许多研究指出，同一个演算法，当（标注的）训练数据愈多时，通常演算法的正确率或是稳定度就越高。但在真实的情境中，训练数据通常是缺乏的，成为应用落地的障碍。

标注的训练数据不够怎麽办？谈自我监督学习新趋势

机器(深度)学习演算法的效益决定于训练数据的可得性，特别是目前应用中大多为监督式的学习(supervised learning)，必须提供(人工)标注数据来训练。所以在标记数据量少的领域，前瞻演算法的效力就很难发挥，原因是特定领域的数据较难取得、或是标注成本较高，如医学影像、工业生产、金融决策等。

何处延揽AI新秀？掌握最新技术趋势？

在这波智能技术变革中，大家急于掌握前瞻技术，以及延揽炙手可热的AI人才。那里才是最好的场域呢？莫过于「顶尖国际会议」（Top Conferences）。

如何设计低耗能、高功效深度学习网络(三)

延续深度学习网络精简设计的主题，我们必须在正确率不打折的情况下，设计出兼具低运算复杂度、低耗电、低参数量的智能算法。目前的设计原则是将「冗余」的运算予以精简。这些庞大运算以及冗余由何而来，可以参考前文。本文中介绍剩下的两种精简设计策略。

如何设计低耗能、高功效深度学习网络(二)

延续深度学习网络精简设计的主题，为了符合商业价值（特别是边缘计算的庞大机会），我们必须在正确率不打折的情况下，设计出兼具低运算复杂度、低耗电、低参数量的智能算法。目前的设计原则是将「冗余」的运算予以精简。原因是近来很多研究显示目前的深度学习网络设计中夹杂了冗余的参数以及运算。这些庞大运算由何而来，可以参考前文。依照这几年的研究，我们将其整理为四种精简设计策略，在本文中先介绍其中两种。

<<
1
2
3
4
5
>>