深耕“AI＋制造”，创新奇智铸就少样本学习技术特色

  近日，创新奇智在少样本学习领域再获突破，提出一种基于反标签学习的半监督少样本图像分类学习方法，投稿论文《An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning》成功被NeurIPS 2022接收。在此之前，创新奇智关于少样本学习的研究成果还分别入选全球计算机视觉三大顶级会议（ICCV、CVPR、ECCV）。

  NeurIPS神经信息处理系统大会是全球最负盛名的 AI 学术会议之一，大会讨论的内容包含深度学习、计算机视觉、大规模机器学习、学习理论、优化、稀疏理论等众多细分领域。迄今已举办36届，本届会议共有 10411 篇论文投稿，接收率为 25.6％，略低于去年的 26％。

  随着深度学习的发展，卷积神经网络在多个图像任务上已经超过了人类的水平，但是这些模型的训练依赖大量的数据，在现实生活中有些数据的采集难度较大，尤其在有效样本采集困难的制造行业，例如对液晶显示屏幕所有种类缺陷数据的采集，而且这些数据的标注也需要耗费大量的人力和财力。 相比之下，人类视觉系统可以从少量的例子中快速学习到新的概念和特征，然后在新的数据中识别相似的对象。为了模仿人类快速学习的能力，减少方法对于数据的依赖，少样本学习近年来受到了越来越多的关注。少样本学习旨在结合先验知识快速地泛化到只包含少量有监督信息的样本的新任务中，在此设定下识别每个类别仅需要极少甚至一张带标签的样本，所以可以极大地减少人工标注成本。

  创新奇智在NeurIPS 2022提出的基于反标签学习的半监督少样本图像分类学习方法，减少了对带标签数据样本的依赖，利用较少的带标签数据样本即可训练出理想的视觉算法模型，还可以获得更高的少样本学习图像分类准确率。

  制造业产品千差万别，有效样本难于采集，训练数据量少等问题，成为AI赋能制造业的一大痛点。作为行业领先的“AI+制造”解决方案厂商，创新奇智在少样本学习领域积累已久，根据制造业实际应用场景，创新少样本学习算法，形成自己的技术特色。

  创新奇智关于少样本学习的研究论文相继登顶ICCV、CVPR、ECCV、NeurIPS等全球知名AI学术会议：在ICCV 2022，创新奇智提出双注意力机制少样本学习技术，此技术可用于制造业场景少样本细粒度图像识别任务，如产品分类、检测、分割、视频处理等领域。在CVPR 2021首次提出零样本实例分割，致力于解决工业场景中数据少，或者是数据难以发现和标注的问题，可以在没有标注数据的情况下标注出新的类。在ECCV 2020提出简单高效的少样本学习方法，通过减小类内偏差和跨类偏差进行原型校正，从而显著提高少样本分类结果，在实际应用场景中可以从海量非结构化数据中根据极少数种子数据(1张至5张)挖掘出所需要的同类数据，极大提升数据收集速度和准确率，降低成本。如今在NeurIPS再度获选，进一步证实了创新奇智在少样本学习领域的技术实力。

  除学术组织外，创新奇智在少样本学习领域的成绩亦获得知名研究分析机构认可。据海通国际在2022年5月发表的研报称，创新奇智是计算机视觉和机器学习中小样本学习机制的典型代表。虽然大模型机器学习是人工智能发展的重要方向之一，但大模型大样本的泛化性并不能适用所有应用场景，比如制造业中的缺陷检测系统。制造业企业普遍注重模型的实用性，很多小模型即可满足他们的业务需求，且更具经济效益。

  据创新奇智CTO张发恩介绍：“少样本学习旨在从已有类别的数据中学习先验知识，然后利用极少的标注数据完成对新类别的识别，打破了样本数据量的制约，在传统制造业等样本普遍缺失的领域具有实用价值，有助于推动AI落地。创新奇智将少样本学习等创新算法沉淀到MMOC人工智能平台，端到端支持AI解决方案的创新、研发和交付，加速AI制造业落地。”