為了幫助同事和客戶了解更多有關計算機視覺和AI的更多信息，我們言簡意賅介紹一些計算機視覺和AI術語，希望能幫助到大家。

01.AI API

一個應用程序編程接口（API），供用戶訪問人工智能工具和功能。通過提供第三方AI服務，AI API使開發人員不必在內部構建自己的AI。

02.AI演示

演示AI平臺或一般人工智能的特性和功能。

03.AI模型

給定輸入數據和設置（稱為“超參數”），訓練AI算法的結果。AI模型是一種簡化的表示形式，它試圖封裝AI算法在訓練過程中學習到的所有內容。AI模型可以共享并在新數據上重用，以用于實際環境中。

04.AI平臺

供用戶構建，部署和管理利用人工智能的應用程序的軟件庫或框架。與AI API相比，AI平臺不那么靜態，而且功能更廣泛：盡管AI API返回第三方預先訓練的模型的結果，但AI平臺允許用戶為不同的目的創建自己的AI模型。

05.AI訓練

訓練一個或多個AI模型的過程。在訓練過程中，AI通過查看越來越多的輸入數據來對“學習”進行建模。在對給定輸入進行預測之后，AI模型會發現其預測是否正確；如果不正確，它將調整其參數以解決該錯誤。

06.注釋

為AI訓練做準備而對輸入數據進行標記的過程。在計算機視覺中，必須根據您希望AI模型執行的任務對輸入的圖像和視頻進行批注。例如，如果您希望模型執行圖像分割，則注釋必須包括圖像中每個對象的位置和形狀。

07.計算機視覺

計算機科學，人工智能和機器學習的子領域，旨在為計算機提供對圖像和視頻的快速，高級的理解，并像人類一樣“觀看”它們。近年來，得益于深度學習和神經網絡，計算機視覺在準確性和速度方面取得了長足的進步。

08.數據收集

積累大量信息以訓練AI模型的過程。可以從專有資源（例如您自己的視頻）或從公開可用的數據集（例如ImageNet數據庫）中收集數據。收集后，必須對數據進行批注或標記以用于AI培訓。

09.深度學習

人工智能和機器學習的一個子領域，它使用具有多個“隱藏”（深度）層的神經網絡。得益于算法的改進和技術的進步，近年來，深度學習已成功地用于訓練可以執行許多類似于人類的高級任務（從識別語音到識別圖像內容）的AI模型。

10.密集分類

一種僅通過幾個例子就可以訓練深度神經網絡的方法，該方法最初由Lifchitz等人在2019年學術論文《密集分類和植入以進行少量學習》中首次提出。廣義上講，密集分類鼓勵網絡查看其試圖識別的對象的各個方面，而不是僅關注一些細節。

11.Edge AI

使用在邊緣設備上運行的AI和機器學習算法來處理本地硬件上的數據，而不是將其上傳到云中。Edge AI的最大好處也許是更快的速度（因為不必往返于云之間來回發送數據），從而可以進行實時決策。

12.邊緣設備

連接到Internet的硬件設備，是物聯網（IoT）的一部分，并充當IoT網絡中的網關：一方面，本地傳感器和收集數據的設備；另一方面，物聯網在云中的全部功能。為了獲得最快的結果，許多邊緣設備都能夠在本地執行計算，而不是將這種責任轉移到云上。

13.集成學習

使用來自在相同輸入（或相同輸入的樣本）上訓練的多個AI模型的預測，以減少錯誤并提高準確性。由于訓練階段的自然可變性，給定相同的數據，不同的模型可能會返回不同的結果。集成學習結合了所有這些模型的預測（例如，通過多數表決），以提高性能為目標。

14.面部認證

面部識別的一個子領域，通常出于安全目的，旨在驗證一個人的身份。面部認證通常是在邊緣設備上執行的，邊緣設備足夠強大，可以幾乎立即并以很高的準確度識別對象。

15.面部識別

通過檢查各種面部特征（例如，眼睛，鼻子，嘴巴和che骨的距離和位置），將人臉用作生物特征。面部識別既可用于面部認證（識別征得其同意的個人），也可用于在公共場所捕獲人們圖像的視頻監視系統。

16.GPU

“圖形處理單元”的縮寫，一種專門用于計算機，智能手機和嵌入式系統的專用硬件設備，最初用于實時計算機圖形渲染。但是，GPU能夠有效地并行處理許多輸入的能力使它們可用于多種應用程序，包括訓練AI模型。

17.散列

數學函數（稱為“散列函數”）的結果，該函數將任意數據轉換為唯一（或幾乎唯一）的數字輸出。例如，在面部認證中，復雜的哈希函數對用戶面部的識別特征進行編碼，并返回數值結果。當用戶嘗試訪問系統時，他們的面孔會被重新著色并與現有哈希進行比較以驗證其身份。

18.圖像豐富

通過添加元數據（例如，圖像的作者，創建日期或內容），使用AI和機器學習對圖像和視頻等視覺數據進行自動“豐富”。例如，在媒體行業，圖像豐富化可用于快速準確地標記在線零售列表或新的代理商照片。

19.圖像質量控制

使用AI和機器學習對視覺數據（例如圖像和視頻）執行自動質量控制。例如，圖像質量控制工具可以檢測圖像缺陷（例如模糊，裸露，偽造和禁止的內容），并糾正問題或從數據集中刪除圖像。

20.圖像識別

AI和計算機視覺的一個子領域，旨在通過高層次描述圖像內容來識別圖像內容。例如，訓練有素的圖像識別模型可能能夠區分狗的圖像和貓的圖像。圖像識別與圖像分割形成對比，圖像分割試圖將圖像分為多個部分（例如，背景和不同的對象）。

21.物聯網

廣泛的，相互連接的設備和傳感器網絡，可通過互聯網進行通信和交換信息。作為發展最快的技術趨勢之一（估計每秒連接127個新設備），物聯網具有改變制造業，能源，交通等行業的潛力。

22.標簽

分配標簽的過程，該標簽可為訓練數據集中的每個輸入或您希望AI模型在訓練期間返回的“答案”提供正確的上下文。在計算機視覺中，標簽有兩種類型：注釋和標簽。標記可以在內部執行，也可以通過外包或眾包服務執行。

23.活體檢測

面部認證系統的一種安全功能，可驗證給定的圖像或視頻是否代表真實的真實人，而不是試圖以欺詐手段繞過該系統（例如，戴上人像面具或顯示睡眠狀態）人的臉）。進行活動檢測對于防范惡意行為者至關重要。

24.機器學習

人工智能和計算機科學的一個子領域，研究可以通過獲得更多經驗或查看更多數據來隨著時間的流逝而不斷提高自己的算法。機器學習既包括監督學習（在監督學習中為算法提供了預期的結果或標簽），也包括無監督學習（在該監督中算法必須在未標記的數據中找到模式）。

25.機器視覺

人工智能和計算機視覺的一個子領域，結合了硬件和軟件，使機器可以像人類一樣在較高的水平上“看到”。機器視覺不同于計算機視覺：機器視覺系統既包括捕獲圖像和視頻的機械“主體”，也包括解釋這些輸入的計算機視覺軟件。

26.元數據

描述并提供有關其他數據的信息的數據。對于圖像和視頻之類的視覺數據，元數據包括三類：技術性（例如攝像機類型和設置），描述性（例如作者，創建日期，標題，內容和關鍵字）和管理性（例如聯系人信息和版權）。

27.神經網絡

一種AI和機器學習算法，旨在模仿人腦的高級結構。神經網絡有許多相互連接的人工“神經元”，它們排列成多層，每個神經元都存儲一個信號，該信號可以傳輸給其他神經元。大型神經網絡具有許多隱藏層的使用被稱為深度學習。

28.對象識別

AI和計算機視覺的子領域，旨在識別圖像中包含的一個或多個對象。對象識別與圖像識別有關，但與圖像識別不同。例如，給定足球比賽的圖像，圖像識別模型可能僅返回“足球比賽”，而對象識別模型將返回圖像中的不同對象（例如“球員”，“足球”，“目標，”等）。

29.預先訓練的模型

已經在一組輸入訓練數據上進行訓練的AI模型。給定輸入后，預先訓練的模型可以快速返回對該輸入的預測，而無需再次訓練模型。預訓練的模型也可以用于轉移學習，即將知識應用于不同但相似的問題（例如，從認可汽車制造商到卡車制造商）。

30.分割

AI和計算機視覺的子領域，旨在將圖像或視頻分為多個部分（例如，背景和不同的對象）。例如，一群人的圖像可能被分割成每個人的輪廓以及圖像的背景。圖像分割被廣泛用于諸如醫療保健之類的應用（例如，識別醫學圖像中的癌細胞）。

31.情感檢測

AI和計算機視覺的一個子領域，旨在了解給定文本的語氣。這可以包括確定文本是否具有肯定，否定或中立的意見，或者是否包含某種情感狀態（例如“悲傷”，“生氣”或“快樂”）。

32.標記

使用單個標簽標記輸入數據以準備進行AI訓練的過程。標記與注釋類似，但是對每條輸入數據僅使用一個標簽。例如，如果要對不同品種的狗執行圖像識別，則標簽可以是“金毛獵犬”，“斗牛犬”等。

33.視頻分析

使用AI和計算機視覺自動分析視頻內容。這可以包括面部識別，運動檢測和/或物體檢測。視頻分析廣泛用于安全，建筑，零售和醫療保健等行業，其應用范圍從預防損失到健康與安全。

審核編輯：湯梓紅