在 2005 年的时候，他用了 6 个月时间试图使用神经网络来做基本的图像分类——识别分辨细胞是否感染了疾病。虽然那时候已经有很多不错的软件库可用了，但他们仍然还是要手动编写许多神经网络代码。 升级版，识别率提高 25%业界 | 谷歌 SyntaxNet 模型大升级，为 40 种语言带来文本分割和词态分析功能深度 | 谷歌增强型风格迁移新算法：实现基于单个网络的多种风格实时迁移（附论文）此外 你想的没错，机器之心依然报道过这些研究：业界 | 谷歌发布神经音频合成器 NSynth：专注于启迪音乐创作资源 | 谷歌官方开源 tf-seq2seq：一种通用编码器-解码器框架重磅｜谷歌开源最精确自然语言解析器 SyntaxNet 的深度解读：一次关键进步以及一个重要工具业界 | Show and Tell：谷歌在 TensorFlow 上开源图像描述系统业界 | 谷歌开源新的 TensorFlow 代码，如何进行文本自动摘要谷歌的这些研究中有一些仍然是当前最佳的 Inception 的结构比如如果你想识别一张照片，你可以直接在谷歌的云平台上直接调用该模型的 API 来帮你完成。当然，你可以通过使用开源模型的方式来实现：?
AiTechYun编辑：xiaoshan语义图像分割是为图像中的每个像素分配诸如“道路”，“天空”，“人”，“狗”之类的语义标签，它使得许多新的应用程序在（例如Pixel 2和Pixel 2 XL的智能手机和移动实时视频分割 分配这些语义标签需要确定对象的轮廓，因此比其他视觉实体识别任务(如图像级分类或边界盒级检测)更严格地要求定位精度。? 今天，谷歌宣布了他们最新的和性能最好的语义图像分割模型的开源版本， DeepLab-v3+，可在Tensorflow中实现。 作为本次发布的一部分，谷歌还分享了他们的Tensorflow模型训练和评估代码，以及已经预先训练过的Pascal VOC 2012和Cityscapes 基准语义分割任务的模型。 谷歌希望，向社区公开分享他们的系统，使学术界和业界的其他团体更容易复制和进一步改善该先进系统，训练新数据集的模型，并为这项技术设想新的应用程序。
云服务器1核2G首年38元，还有多款热门云产品满足您的上云需求
（2016 年 10 月，该系统在 COCO 识别挑战中名列第一）开源给更大的社区，帮助打造更好的计算机视觉模型。 创造能够在同一张图片里定位和识别多种物体的机器学习模型一直是业内的核心挑战之一，谷歌宣称自己已投入大量时间训练和实验此类系统。? 其中一个模型在示例图片中（来自 COCO 数据集）对象识别的效果2016 年 10 月，谷歌内部的物体识别系统达到了业内最佳水平，在 COCO 识别挑战中名列第一。 这些代码在谷歌的计算机视觉应用中非常有用，谷歌希望本次开源能够将这份便利带给所有人。谷歌同时也欢迎更多贡献者参与进来。 现在，你可以下载代码，使用 Jupyter notebook 尝试在图片中识别物体，也可以开始在 Cloud ML 引擎中训练你自己的识别器了。
TensorFlow Object Detection API》的文章，文中指出虽然谷歌的物体检测，图像识别机器学习系统很先进，但仍面临着很多挑战，比如如何提高识别精度。 为此，谷歌将其物体检测系统代码开源，希望更多爱好者参与进来，共同推动研究领域的发展。 不过，在单个图像中创建精确的ML模型使其能够定位和识别多个对象仍然是该领域的一个核心挑战，谷歌投入了大量的时间训练和试验这些系统。? 图中为其中的一个模型对图片中对象的识别检测效果去年十月，谷歌内部的物体检测系统已达到了最先进水平，并在COCO检测挑战赛中排名第一。此后，该系统为大量研究期刊提供了结果。 现在，就可以下载代码，使用Jupyter notebook对图片中的物体进行识别。也可以使用Cloud ML训练自己的识别器了。
TensorFlow Object Detection API》的文章，文中指出虽然谷歌的物体检测，图像识别机器学习系统很先进，但仍面临着很多挑战，比如如何提高识别精度。 为此，谷歌将其物体检测系统代码开源，希望更多爱好者参与进来，共同推动研究领域的发展。 不过，在单个图像中创建精确的ML模型使其能够定位和识别多个对象仍然是该领域的一个核心挑战，谷歌投入了大量的时间训练和试验这些系统。? 图中为其中的一个模型对图片中对象的识别检测效果去年十月，谷歌内部的物体检测系统已达到了最先进水平，并在COCO检测挑战赛中排名第一。此后，该系统为大量研究期刊提供了结果。 谷歌希望这次开源能满足一部分人所需。也同时也欢迎更多能为代码库做贡献的人参与进来。现在，就可以下载代码，使用Jupyter notebook对图片中的物体进行识别。
今天，谷歌推出了目前世界上最大的人造和自然地标识别数据集Google-Landmarks。数据集中包含200万张图片，描述了3万处全球独特地标，量级是普通的数据集的30倍。? 谷歌路标识别挑战赛（内含数据集下载）：https:www.kaggle.comclandmark-recognition-challenge谷歌路标检索挑战赛（内含数据集下载）：https:www.kaggle.comclandmark-retrieval-challenge 此外，由于地标建筑不会移动并且内部的变化非常小，因此，图像的拍摄条件，如遮挡、不同视角、天气和光线等因素决定了地标图像的变化。但其他的普通数据集（比如萌犬数据集），往往变化多样。 路别识别竞赛是在具有挑战性的测试图像数据集中，让参赛者构建识别正确地标的模型。而在路标检索挑战赛中，参与者需要检索包含相同地标的图像。?△ 数据集中部分地标建筑 开源DELF讲到这里还没完。 为了刺激这个领域的研究，谷歌研究人员还开源了专注本地特征的描述符Deep Local Features（DELF）。
运用深度学习，可以破解困扰数据科学家几十年的难题，比如语音和图像识别，以及自然语言生成问题。2011年，谷歌成立谷歌大脑项目，这是他们首次公开对深度学习潜在可能性的探索。 第二年，谷歌宣布他们已经建立了一个神经网络，用来模拟人类的认知过程。这个网络在16000台电脑上运行，在学习了大约1000万张图像之后，它能够成功识别出猫。 第一次实用是在图像识别中，可以用它对谷歌索引出的互联网上的数百万张图片进行分类。这样做可以让图像分类更精确，从而为用户提供更准确的搜索结果。 谷歌目前在深度学习的研究中，在图像分析领域的最新突破是图像增强。这包括重建或填充图像中缺失的部分，这种功能是通过从现有的数据中推断，以及利用学到的其他类似图像实现的。 谷歌AI语音识别助手运用深度神经网络来学习如何更好地理解语音指令和问题。谷歌大脑开发的技术已经在这个项目中有所运用。最近，谷歌的翻译服务也运用了谷歌大脑开发的技术。
例如利用强化深层神经网络，扫描加利福尼亚州的数千个街景图像，然后将其转化为专业级的照片。又比如应用人脸识别、OCR识别功能，将街景图像中的车牌号、人脸打码以实现隐私保护的目的。 在同样的方法下，路边的街道编号、企业名称、交通限速标志等细节信息也在被源源不断地从图片中提取出来，并且适当地在谷歌地图上自动创造和定位新的地址。同样该模型还可以应用到商户外墙上的名称识别上。 该AR系统其实采用了基于图像识别和OCR技术的Google Lens产品，可以通过手机摄像头捕捉并识别地标性建筑实现导航，只需点击“start AR”按钮，谷歌地图就会将前进箭头与摄像头实拍相重叠的视频画面显示给用户 从以上谷歌地图的AI进化路径看出，谷歌率先将机器学习等技术应用于处理庞大的地图图像数据，包括对于道路交通标志、街道名称以及商铺名称等重要信息的识别。 一方面源自谷歌自身在图像识别技术上的领先优势，另一方面也是谷歌对于精准出行地图数据的优先级考虑。其次是谷歌地图对用户出行数据和本地服务数据的深度挖掘。
来源：猎云网（ID：ilieyun）编译：福尔摩望 谷歌最新的智能显示屏最近出了一项备受争议的新功能Face Match，它是在谷歌Nest Hub Max上推出的。 Face Match使用智能显示屏的前置摄像头作为一项安全功能，以及参与视频通话的一种方式。当它识别出你的脸时，它还会显示你的照片、短信、日历等细节。这种面部识别模式一开始听起来很简单。 Face Match是谷歌Nest Hub Max新推出的一项功能，它使用一个前置摄像头和一个始终在线的面部识别软件，帮助识别当前正在使用它的家庭成员。 03 谷歌总是监视我吗？当谷歌Nest Hub Max的面部匹配功能保持开启时，答案是肯定的。Nest Hub Max会不断监控和分析来自摄像头的输入数据，以检测人脸。 05 如何判断图像数据是否正被上传？每当谷歌Nest Hub Max向云端传输图像时，比如当你把它用作Nest摄像头或视频通话时，摄像头附近就会亮起绿灯。
来自谷歌TensorFlow技术推广部的Josh Gordon 带来了一场主题为《用于图像、语言和艺术的开源TensorFlow模型》（Open Source TensorFlow Models for images, language and art）的演讲，介绍了最新的从图像识别和语义理解的TensorFlow 模型，和大家分享了深度学习的一些思考，并反复强调了开源的初衷和价值。 内容涵盖从图像识别和语义理解，重点如下：Inception深度学习神经网络模型，世界上最精准的图像分类器之一（应用于图像分类，Deep Dream，风格迁移）Parsey Saurus，谷歌语言处理框架 在谷歌的云平台上直接调用 Inception模型的 API识别一张照片，代码超级少?迁移学习的原理?Josh解释了Deep Dream令人着迷之处：深度神经网络何以擅长识别图片? 图像识别中的卷积概念温习?Deep Dream算法的核心 二、语言?Josh为大家讲解 SyntaxNet家族中的Parsey Saurus，它是目前世界上最准确的自然语言处理器，同样也开源。
因此，谷歌地面实况团队（Ground Truth team）的目标之一，就是从地理位置图像自动提取信息来升级谷歌地图。 重要的是，谷歌的系统在提取其他类型信息也是很容易扩展的。比如现在帮助谷歌自动提取商店前面的商户名称。目前该模型已经开源。?图中为法国街道名称标识数据集中的一个例子，被谷歌的系统正确识别。 谷歌从2008年开始致力于解决这一问题，使用神经网络模糊了街景图像中的脸和车牌，以保护谷歌用户的隐私。 FSNS是谷歌经过多年的努力而构建的，它比SVHN数据集更加庞大，也更具挑战性，因为如果要准确识别某个街道标识，可能需要对各个角度所拍摄的图片进行整合处理。? 上图是识别起来很有难度的一些标识，也被谷歌系统通过对图像的理解而正确判断了。尤其是第二个，不过这个模型在之前学习了语言模型，使其能够消除歧义，并正确识别出街道名。
一群麻省理工学院的学生最近愚弄了谷歌开发的一种图像分类器，这群学生周三发布的一篇论文详细描述了一种可以更快地欺骗系统的技术。 这种欺骗谷歌系统的方法提供了一个真实的例子，说明基于人工智能的图像识别系统是如何被黑客入侵的。 _=1该团队的新算法从一个它想用来欺骗另一个系统的图像开始，从他们的论文中的一个例子看出，有一只小狗的图片，然后开始改变像素以使图像看起来更像源图像;在这种情况下,系统识别出来的对象是两名滑雪爱好者。 其他试图愚弄图像识别技术的尝试主要集中在“白箱”系统上，这些系统的底层计算机制是已知的。为了利用谷歌图像识别系统，麻省理工学院的研究人员使用了一种被称为自然进化策略（NES）的计算机算法。 这基本上帮助他们猜测图像识别是如何对图像进行分类的。他们的程序将为谷歌提供一组经过修改的图片，观察他们如何分类，并在提交另一批文件之前做出相应的修改。
文章指出，3年前创建的谷歌大脑项目表现越来越抢眼，其人工智能系统给谷歌旗下的各个重要产品都带来了助力，从Android语音识别软件到无人驾驶汽车，再到广告和谷歌地图。 从以往来看，计算机并不擅长处理这类先进的图像识别工作，而谷歌则终于凭借其名为“谷歌大脑”（Google Brain）的新人工智能系统攻克了该问题。 除了谷歌地图外，谷歌大脑还给Android的语音识别软件和Google+的图像搜索带来了助力。但据谷歌大脑项目领导者之一杰夫·迪恩（Jeff Dean）称，那还只是个开始。 例如，为谷歌图像搜索而建的图像识别模型可能也对谷歌地图团队有帮助。文本分析模型可能有助于改进谷歌的搜索引擎，或许在Google+上也能够派上用场。谷歌开发了一些人工智能模型，并将它们发布到内部网络上。 不过，在使用谷歌大脑软件的团队中，约有一半只需要下载源代码，修改配置文件，以及将谷歌大脑指向它们自己的数据。考虑到深度学习算法可解决问题之广泛，迪恩及其团队开发的代码可以做的还很多。
---- 新智元报道 来源：theverge编辑：大明【新智元导读】谷歌宣布推出免费AI工具软件，辅助人类鉴黄师对儿童性虐待内容（CSAM）的图像进行分类和鉴别。 过去的类似工具往往只能阻止已经标记的不良内容的传播，而谷歌本次推出的AI软件可以自己对图像材料进行标记，经人类工作人员实地测试，鉴黄效率提升了700%。 但对于一线工作人员来说，这项工作是异常艰巨而困难的，必须要靠人类来识别并删除这些不良内容。 不过今后，这些工作人员可能会稍微松一口气，谷歌今天发布了旨在帮助识别这类内容的免费AI软件。 在这一领域，大多数技术解决方案都是通过根据以前识别出的不良内容目录，来检测现有的图像和视频。（比如由微软开发的PhotoDNA图像识别工具，现在Facebook和Twitter等都在使用。） 距离完全自动化鉴黄可能仅需一两年IWF聘请内容鉴别团队来识别这些不良内容的图像，并在十几个国家提供举报渠道，以便互联网用户报告可疑内容。
在处理某些任务时，图像识别的准确度也超过了人类水平，并且应用到了 Pixel 系列手机的相机应用中，来自动清除图像中的噪点，实现高质量的夜间成像效果；不久之后甚至还可以自动移除照片上的遮挡物，比如挡在相机前的棒球场围网 Pichai 认为，AutoML 具有很大的潜力，并且，谷歌已经在图像识别基准数据集 CIFAR-10 上取得了顶尖成果。虽然过程很难，但云 TPU 的存在使这种方法成为了可能。 除了语音识别和自然语言处理，Google Assistant 还使用了 Google Lens 功能，通过图像信息来实现更加自然的「对话」。 借助于谷歌的核心人工智能技术，如今 Google Photos 使用了全新的图像处理方法。 谷歌表示他们会开源该项工作，并计划在今年晚些时候发布 API 。谷歌首日 Keynote ，让我们看到了谷歌围绕机器学习研究、开源工具、基础设施和人工智能应用开发的 AI First 战略。
谷歌宣布将其最重要的创新项目之一 —— 人工智能引擎 ——作为开源项目发布到网上供大家免费使用，这展示了计算机软件行业正进行着什么样的变革。 最近，互联网巨头们接二连三地将自己线上核心业务所用的软件开源。项目开源加快了技术发展的进程。 随着人工智能引擎TensorFlow的开源，谷歌能以各种方式为公司范围之外的机器学习研究提供支持，这些研究成果也将反馈给谷歌。不过谷歌的人工智能引擎也反映了当今计算机硬件行业的发展趋势。 在谷歌内部，处理图像识别、语音识别和语言翻译等任务时，TensorFlow依赖于配备图像处理单元（GPU）的机器，和被用于渲染游戏图像的芯片等，但对其它的任务也擅长。它对这些芯片的依赖比想象中的更多。 举个例子，为了教会神经网络识别一只猫，你就需要输入无数张猫的图像。GPU擅长处理这类任务。另外，它们的能耗也没有CPU这么高。
选自Medium机器之心编译参与：李泽南在谷歌 TensorFlow API 推出后，构建属于自己的图像识别系统似乎变成了一件轻松的任务。 本文作者利用谷歌开源的 API 中 MobileNet 的组件很快开发出了识别图像和视频内物体的机器学习系统，让我们看看她是怎么做到的。 市面上已有很多种不同的方法来进行图像识别，谷歌最近开源的 TensorFlow Object Detection API 是其中非常引人注目的一个，任何来自谷歌的产品都是功能强大的。 在赢得 2016 年 COCO 挑战的研究中，谷歌使用了 Fast RCNN 模型，它需要更多计算资源，但结果更为准确。 当然，它还有一些可以提高的空间，如下图所示，它几乎没有识别出鸭子的存在。?
区别于手工容器化的复杂步骤, Jib能很快将Java程序容器化.Docker 构建流程：?Jib 构建流程：? 谷歌开源 Java 镜像构建工具 Jibhttps:www.infoq.cnarticle2018%2F07%2Fgoogle-opensource-JibJib构建你的第一个java镜像http:blog
扫码关注云+社区
领取腾讯云代金券
云服务器
测试服务 WeTest
网站备案
对象存储
文件存储