AR與AI融合的未來

科技 07-11

科技界的巨頭們對AR都投入了十分的熱情，分析師也紛紛看好AR，認為AR設備會在未來取代手機，成為人們日常生活中的必備。

未來的AR眼鏡應該是什麼樣子？

照我看，應該是一個可以在任何一個場景中實現增強現實的工具，一個萬能輔助神器。

再也不會迷路，道路指引會實時顯示在眼鏡上。

有不會做的題？So easy，AR眼鏡，哪裡不會看哪裡。

除了能讓我們對真實世界了解的更加詳實，還可以做比如說在空無一物的牆上掛一副虛擬日曆，在牆上放一台虛擬電視機，這些創造的功能。

有時候想著想著，就泛起了一陣生早了的失落感。

人工智慧也是一定會改變人類的生活方式的，AI作為一種行為方式，和AR這種表現手段，看似不太相交，但是AR想要實現我們對未來的種種幻想，就必然和人工智慧緊密結合。

因為目前的所有智能設備，其實都無法真正看懂我們這個世界，也就無法做到像人類一樣去認識了解周圍的一切，這會極大的制約AR的能力。

AR識別追蹤技術

AR識別追蹤技術一般分為三類：

基於視覺標記

基於自然特徵

SLAM

基於自然特徵的跟蹤技術則是利用特徵點提取，檢測方法一般有：FAST、Harris、SIFT、SURF、MSER 等

接下來再進行目標圖和識別圖之間的匹配。

分別獲取兩幅圖像的特徵點及特徵點描述子，根據一定的演算法，對兩幅圖進行匹配，找到匹配程度最高的最優值。

SLAM則高端很多，它獲取的是空間的三維信息。而不再只通過2D的光學圖像了解周圍環境。

然而上述這三種AR的識別技術，都稱不上多智能，現在的AR完全看不懂這個世界。

機器學習

圖片上的貓做出了各種不同的姿勢，展現的角度不同。

但是在人看來，無論是躺著趴著，或者跳起來，這都是貓，並且是同一隻貓。

但是我們還要教會機器認識這隻貓。

所以，怎麼讓機器認識一隻貓。

機器學習最基本的做法，是使用演算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程序不同，機器學習是用大量的數據來「訓練」，通過各種演算法從數據中學習如何完成任務。

深度學習

機器學習和深度學習同屬人工智慧的範疇。

深度學習是人工智慧中發展迅速的領域之一，可幫助計算機理解大量圖像、聲音和文本形式的數據。

雖然神經網路的概念很早在上世紀八九十年代就提出來了，但是多年以來一直沒有流行起來。但是科研工作者發現卷積和長短期記憶網路後，神經網路突然迎來了爆發期。

神經網路的基本特點是，模仿大腦的神經元之間的傳遞，來處理信息。

我們人看到一幅圖像，眨眼之間就知道圖像中有什麼，圖像中的主體在幹什麼。但計算機不同，計算機看到的每一副圖像都是一個數字矩陣。那我們怎麼讓計算機從一個個數字矩陣中得到有用的信息呢，比如邊緣，角點？更甚一點，怎麼讓計算機理解圖像呢？

我們首先要對圖像進行卷積。

所謂對圖像卷積，就是求卷積核作用在圖像（二維離散信號）後得到的圖像對於該卷積核的累加響應。

神經網路是具有層級的特點的，首先將圖像提取「局部特徵」，這作為最基礎的一層。上層則把一部分「局部特徵」整合，形成新的「局部特徵」。

為什麼CNN要設計這麼多層呢？

比方說，貓的頭是一個特徵，但是對於充斥著像素點的圖像來說，用幾個卷積核直接判斷存在一個貓頭的還是太困難，所以，把貓頭也作為一個識別目標，比如貓頭應該具有更底層的一些語義特徵，比如應該有貓的眼睛、貓的耳朵、貓的鼻子等等。這些特徵有的還是太高級了，沒關係，繼續向下尋找低級特徵，一直到最低級的像素點，這樣就構成了多層的神經網路。

除了卷積層，還有池化層、全連接層，每個都是層級結構。

接下來進行訓練