了解稀疏建模的使用范围

2022 年 5 月，科学家们发布了一张图像，尽管它的视觉简单，但让所有看过它的人都感到惊讶：这是第一张黑洞的“真实”图像。但这不是一张简单的照片。它是一系列部分图像的合成，这些部分图像使用一种复杂的基于人工智能的图像处理（称为稀疏建模-Sparse Modeling）组合在一起。虽然深度学习在使用 AI 的圈子中得到了很多关注，但稀疏建模为嵌入式视觉提供了另一种改进图像系统的方法，并且它具有独特的优势。

嵌入式视觉是指在专门设计的更大系统中使用“嵌入”相机和处理单元。这些较小的嵌入式系统可以使用人工智能来自动化某些任务，从而消除人工干预的必要性。在一种众所周知的人工智能形式的示例中，深度学习，这些算法在大型数据集上进行训练，以便通过将图像与其他图像的大型库进行比较来理解和分类图像包含的所有信息。这种图像处理功能非常强大，但也有其缺点。一个重要的缺点是它需要大量的计算资源。

稀疏建模（另一种基于人工智能的图像处理形式）的吸引力在于，由于其更具针对性的性质，它减少了所需的计算资源。部分受当代解剖学工作的启发，即视神经首先捕获涉及相对较少神经元的“稀疏”图像，稀疏建模使用统计学和信息论来实现嵌入式视觉的好处，同时最大限度地减少密集计算机建模所涉及的成本. 使用往往位于算法训练对象边缘的模式，稀疏建模可以以更少的成本重建和理解更多内容。

与使用大型数据集和大量原始计算能力来预测它正在查看的内容的深度学习不同，稀疏建模使用最小的数据集来比较它所使用的每个数据集的某些重要方面。出于这个原因，它在您确切知道嵌入式视觉系统将看到什么的应用程序中更有用，因此它可以专门用于较小的对象子集。由于这个目标，稀疏建模不需要额外的硬件，例如 GPU；相反，它可以很容易地集成到您现有的系统中。

因此，集成进更小的系统的能力使得稀疏建模更适合嵌入式视觉等应用程序。稀疏建模不需要额外的硬件，例如 GPU；相反，它可以很容易地集成到您现有的系统中。因此，插入更小的系统的能力使得稀疏建模更适合嵌入式视觉等应用程序。稀疏建模不需要额外的硬件，例如 GPU；相反，它可以很容易地集成到您现有的系统中。因此，插入更小的系统的能力使得稀疏建模更适合嵌入式视觉等应用程序。

稀疏建模的使用范围从普通到深奥。例如，它用于面部识别软件以及一些自动驾驶自动化系统。更抽象地说，稀疏建模已被用于“自然图像的分类”和“艺术风格的量化”等不同的上下文中。稀疏建模也因其灵活性和易于训练这些模型而在制造和医疗领域找到了用途。未来，用于分析视觉信息的稀疏建模将随着我们对人眼功能的理解而发展。一些科学家甚至试图使用稀疏模型来了解我们太阳系之外的行星！结合嵌入式视觉，稀疏建模可以改变您今天的业务。

审核编辑：彭静