深度学习

人工智能推动精神病学新突破 需谨慎以防弄巧成拙

 

精神疾病的治疗研究一直是医疗领域的重点课题。随着人工智能、VR和深度学习等前沿科技的发展,计算精神病学这一新领域正成为关键突破口。

研究人员正在探索计算精神病学的新领域,该领域利用人工智能、虚拟现实和深度学习等技术来诊断和治疗精神疾病。然而,我们还需要更多的研究以了解这些方法对心理健康的长期影响。

 

虚拟心理治疗师

深度学习、虚拟现实(VR)和人工智能(AI)的进步可能会解决临床心理学实践中一些长期存在的问题——比如大规模研究的主观性和实践难度,这也许可以带领我们进入一个诊断和治疗精神失常的新纪元。

这个新的研究分支被称为计算精神病学。它的宗旨是,研究人员可以利用上述技术更好地理解和治疗精神疾病。应用程序各不相同,但该领域的一些研究人员将认知数学理论应用于从长期观察中挖掘出来的数据,以有效地诊断和预测认知;而另一些研究人员则利用虚拟实验来实现对人类行为的纯粹研究。

纽黑文市耶鲁大学的教授SarahFineburg最近进行了一项研究,利用计算精神病学探索边缘型人格障碍(BPD)。美国国家心理健康研究所(NIMH)列出了这种疾病的的症状,包括“情绪、行为、自我形象和功能的持续不稳定”以及“冲动行为和不稳定的关系”等。

利用深度学习和计算机视觉进行面部表情分析

作者:Gordon Cooper,Synopsys嵌入式视觉产品营销经理
识别面部表情和情绪是人类社交初期阶段的一项基本且非常重要的技能。人类可以观察一个人的面部,并且快速识别常见的情绪:怒、喜、惊、厌、悲、恐。将这一技能传达给机器是一项复杂的任务。研究人员通过几十年的工程设计,试图编写出能够准确识别一个特征的计算机程序,但不得不反复重新开始,以识别出只有细微差别的特征。 如果不对机器进行编程,而是教会机器精确识别情绪,这样会如何呢?

深度学习技能对于降低计算机视觉识别和分类的错误率展现出了巨大的优势。在嵌入式系统中实施深度神经网络(见图1)有助于机器通过视觉解析面部表情,并达到类似人类的准确度。

 

图1. 深度神经网络的简单例子

图1. 深度神经网络的简单例子

利用 OpenCL™ 平台和英特尔® Stratix® 10 FPGA 加快深度学习发展

在这个高度依赖图像的时代,英特尔® FPGA 可利用 OpenCL™ 平台满足巨大的图像处 理和分类需求

简介
从 2015 年到 2020 年,互联网视频流量将增长四倍。[1] 鉴于可视数据的爆炸性增长, 找到有效的图像排序、分类和识别方法变得至关重要。卷积神经网络(CNNs)是一种基 于人脑功能的机器学习方法,通常用于图像分析。软件可将图像分为多个部分(通常采 取重叠操作),然后通过分析图像形成可视空间的整体示意图。该流程需要采用多个复 杂的数学运算步骤以分析、比较和识别图像,同时保持较低的错误率。

开发人员使用计算密集型算法创建 CNN,并在各种平台上对其进行实施。本白皮书介绍 了 CNN 在英特尔® Stratix® 10 FPGA 上的实施方案。对于大批量任务,该方案能以每瓦 每秒 70 幅图像的速度每秒处理 14,000 幅图像;对于批量大小为 1 的任务,该方案能 以每瓦每秒 18 幅图像的速度每秒处理 3,015 幅图像。† 这些数字表明,英特尔 Stratix 10 FPGA 在处理大批量任务时完全可媲美其他高性能计算(HPC)器件(如 GPU), 在处理小批量任务时则比其他器件更快。

CNN 性能指标评测

英特尔发布Movidius™神经计算棒,推动深度学习应用开发民主化

2017年7月20日, 英特尔推出了Movidius™神经计算棒,这是世界上首个基于USB模式的深度学习推理工具和独立的人工智能(AI)加速器,为广泛的边缘主机设备提供专用深度神经网络处理功能。外形小巧的Movidius™神经计算棒专为产品开发者、研究人员和创客设计,提供专用高性能深度神经网络处理性能,从而减少开发、调优和部署人工智能应用的障碍。

 

Movidius™神经计算棒,世界首个基于USB模式的深度学习推力工具和独立AI加速器

Movidius™神经计算棒,世界首个基于USB模式的深度学习推力工具和独立AI加速器