IMM

卷積神經網路是一種深度學習演算法，

最常用於從大量資料中分析和學習視覺特徵。

雖然 CNN 主要用於與圖像相關的 AI 應用，

但它也可用於其他 AI 任務，包括自然語言處理和推薦引擎。

人工智慧、機器學習和深度學習

在深入了解 CNN 的工作原理之前，

重要的是了解這些深度學習演算法與更廣泛的 AI 領域的關係，

以及常用的 AI 相關關鍵術語之間的區別。

• 人工智慧：電腦科學領域專注於能夠感知、推理、行動和適應的智慧型電腦程式。
• 機器學習：人工智慧的一個子集，其中的演算法在接觸更多數據時其性能可以隨著時間的推移而提高。
• 神經網路：機器學習中用作過程的一系列演算法，可以識別大量資料中的模式和關係。神經網路採用受人腦啟發的邏輯結構，是深度學習演算法的基礎。
• 深度學習：機器學習的子集，其中多層神經網路從大量資料中學習。

CNN 如何運作？

卷積神經網路的工作原理是攝取和處理網格格式的大量數據，

然後提取重要的粒度特徵進行分類和檢測。

CNN 通常由三種類型的層組成：卷積層、池化層和全連接層。

每一層都有不同的用途，對獲取的資料執行任務，並學習越來越複雜的內容。

圖像分析的 CNN

在這個過程中，基於 CNN 的計算機視覺模型分析捕獲的圖像並提取可操作的見解。

電腦視覺是深度學習和機器學習的一個子領域，

它結合了邊緣運算或雲端運算、軟體、深度學習和 CNN，形成神經網絡，

指導系統進行影像處理和分析。經過全面訓練後，電腦視覺模型可以執行物體辨識和偵測，甚至追蹤運動。

對於這個圖像分析範例，我們假設輸入資料是一組數百萬張不同的汽車影像。

• 卷積層將過濾器應用於輸入資料並學習特徵檢測。通常，有多個卷積層透過池化層連接。早期的捲積層提取一般或低級特徵，例如線條和邊緣，而後面的層學習更精細的細節或高級特徵，例如汽車前燈或輪胎。
• 池化層減小了卷積特徵圖的大小以降低計算成本。
• 全連接層根據卷積層和池化層輸出的高級特徵學習全局模式，並產生汽車的全局模式。一旦輸入資料通過全連接層，最後一層就會啟動模型，神經網路就會發出預測。

CNN 是如何開發的？

CNN 對於深度學習以及跨行業和全球的多樣化用例至關重要。但要真正掌握它們的影響，你必須了解它們是如何發展的。 CNN開發是一個耗時且複雜的三步驟過程，包括訓練、優化和推理。英特爾直接與開發人員和資料科學家合作，尋找簡化和加速這一過程的新方法 ，以便新的解決方案能夠更快、更輕鬆地啟動和運行。

訓練

神經網路的訓練通常是創建深度學習 CNN 中最耗時且最具挑戰性的部分。在監督學習階段，開發人員教導網路如何執行特定任務，例如影像分類。這涉及收集數千或數百萬張圖像的大型數據集，將這些圖像輸入網絡，並讓網絡預測圖像代表什麼。如果預測錯誤，則必須將神經元更新為正確答案，以便對相同影像的未來預測是準確的。這個過程持續到開發人員對神經網路的預測準確度感到滿意為止。

最佳化

許多開發人員優化神經網絡，卻不知道這是一個稱為最佳化的開發階段。如果正確完成，最佳化可以大大簡化網路模型並提高推理效能。

推理

神經網路經過訓練和優化後，將部署為模型進行推理，對新輸入進行分類、識別和處理並做出新的預測。

CNN、深度學習和電腦視覺的全球應用

從汽車製造商和市政府到機場和零售店，各行各業的企業都在以各種方式利用電腦視覺模型。隨著計算技術的不斷進步以及人工智慧能夠以更低的成本加速發展，基於深度學習的電腦視覺的用例數量只會增加。以下是 CNN、深度學習和電腦視覺在世界各地使用的一些常見方式。

工業：缺陷檢測

工業製造中的手動缺陷檢測成本高昂，容易出現人為錯誤，並且在危險或惡劣的環境中完成，很難找到熟練的檢查員。這就是為什麼一些製造商開始探索使用深度學習、推理、機器視覺和電腦視覺技術來自動化裝配線上的缺陷檢測。

例如，機器人電弧焊接對於現代重型機械製造至關重要，但容易出現焊接氣孔缺陷。焊接疏鬆會導致材料強度低，無法通過檢查，可能需要返工焊接或將材料全部報廢。該解決方案的核心是基於神經網路的人工智慧動作識別模型，該模型針對有和無孔隙缺陷的焊接進行訓練。它可以近乎即時地檢測出孔隙缺陷，並且可以立即採取行動。使用此解決方案可以幫助製造商減少延誤、浪費和成本，同時提高生產力。1

工人安全：PPE 檢測

 在建築等員工受傷風險較高的行業中，工人配戴個人防護裝備（PPE）（安全帽、專用鞋、背心、眼鏡和安全帶）的重要性怎麼強調也不為過。現場主管通常很難檢查所有工人是否遵守 PPE 規定。透過訓練對象檢測 CNN 深度學習模型，開發人員可以使用電腦視覺技術來識別並確定工人是否遵守 PPE 要求。

 智慧安全系統 (ISS) SecurOS 安全帽偵測模組 可協助企業為員工創造更安全的空間。它使用神經網路演算法、英特爾® Distribution of OpenVINO™ 工具包和電腦視覺技術來偵測工人是否戴著防護頭盔或安全帽。如果未偵測到 PPE，該解決方案會近乎即時地發送警報，告知主管工人的不合規情況。

智慧安全城市：交通管制與安全

實施基於深度學習的視訊系統可以提供額外的細節層次，從而將安全性提升到一個新的水平。例如，當使用更精細的資訊管理大城市的交通時，交通運輸官員能夠追蹤運輸危險物品的卡車 ，並將它們改道遠離擁擠、人口密集的地區。

智慧城市增強公共安全並提高永續性的另一種方式是減少交通擁堵。台灣大都會台北最近實施了一項交通管制解決方案，使交通擁堵減少了 10% 至 15%。2 智慧交通號誌解決方案可在邊緣（交通控制號誌內部）進行視覺機器資料收集和推理，以獲得即時交通洞察並協助降低基礎設施成本。該解決方案透過英特爾® Distribution of OpenVINO™ 工具包進行了最佳化，使用嵌入式英特爾® 奔騰® 處理器來處理機器視覺工作負載。此外，由於推理發生在交通號誌設備中，所需的網路基礎設施更少，使該市交通工程辦公室將網路通訊成本降低了 85%。

零售：貨架庫存監控

當今的購物者對於尋找和購買自己想要的產品有很高的期望。庫存不足意味著銷售損失和客戶不滿意。傳統上，庫存管理是手動完成的，這是一項耗時的任務，而且容易出現人為錯誤。透過人工智慧和電腦視覺進行即時貨架監控，實現貨架檢查自動化，使庫存管理更快、更準確。

醫療保健：加速醫學影像

CT 掃描和其他類型醫學影像的視覺分析對於放射科醫生來說可能是一項耗時的手動任務，尤其是在患者數量較多的情況下。將人工智慧演算法應用於成像設備 可以幫助標記危急病例並為放射科醫生優先處理，從而可能加快診斷時間、改善結果並降低醫療成本。在新冠肺炎疫情爆發之初，人工智慧成像的需求最為明顯。在醫療保健系統中，迫切需要快速有效的篩檢工具來識別受感染的患者，以確保隔離和治療。然而，醫療專業人士報告稱，分類和診斷中最大的瓶頸是由於病毒檢測的稀缺性和處理時間長。為了幫助臨床醫生檢測患者中的 COVID-19，DarwinAI 開發了 COVID-Net CNN 架構。當 DarwinAI 開發人員對神經網路模型架構進行測試時，其準確率達到了 98.1%，同時架構和運算複雜度相對較低。3 這使得放射科醫師能夠診斷更多的患者。