英特尔AI如何帮助修缮残垣断壁的长城,背后的奥秘找到了
当人工智能走到科技和人文的十字路口,它会迸发出怎样的能量?你会发现,以往没有任何一个时期,会比现在的人工智能距离我们更近,因为它正在以一种近乎革命性的手段解决生活中真实存在的难题。
现在,有一个棘手的问题摆在中国文物保护基金会面前:如何修缮一段年代久远,已经是残垣断壁的箭扣长城?
如果是按照传统的方法,无论是勘测、测量、后期的处理,只能凭借人力用尺子、全站仪完成,耗时耗力,尤其是箭扣长城大多位于险峰断崖之上,周边草木茂密,人员想要到达施工现场可谓险阻重重。另外,传统的手工测量无法反映长城的全貌和细节,不利于保护单位做更精确的维修方案。
如今,“人工智能助力修缮箭扣长城”的项目已经在英特尔中国研究院、英特尔数据中心事业部,以及武汉大学测绘遥感国家重点实验室的合作下开展。 新的方法可以数字化还原长城修缮前后的状态,有利于修缮保护以及进一步研究。有了英特尔的人工智能技术的参与,箭扣长城以及更多长城的保护工作将跨越到新的高度。
如何用英特尔AI助力长城修缮,主要分三个步骤来进行:
1、采集高精度图像
在箭扣长城保护项目中,使用英特尔最新款猎鹰8+无人机,对城墙进行长城整体和局部的航拍和精确成像。
2、3D建模和损毁部位的人工智能识别
借助最新的英特尔至强服务器,快速分析处理高分辨率影像数据,产生完整的高精度长城影像3D模型,利用人工智能算法在3D模型上识别出需要被修缮的部分,并提供裂缝和塌方等破损的测量数据用于指导物理修缮。
3、3D模型的人工智能数字化修复
在3D模型损毁识别基础上,利用最新的3D模型对抗生成网络,以及回归卷积网络,对城墙缺损部位进行数字化修复,并据此对实际的长城修缮和维护提供指导和参考数据。
这将是一个全新的探索,先进的无人机航拍和人工智能技术参与文物建筑的修缮和保护,英特尔的计算技术深度参与其中。数据显示,仅仅700米的长城城墙,猎鹰8+无人机采集了上万张高分辨率图像,原始数据超过200GB,整个处理过程会频繁访问这些数据,还会产生超过100GB的中间和仿真数据,即便是高性能的计算,处理如此庞大的数据量也极其复杂。
解决方案还涉及多种AI算法,包括视觉特征抽取与索引,相机参数恢复,光束平差(bundle adjustment),稠密匹配,几何模型网格生成,深度神经网络2D及3D模型训练,纹理合成等。
英特尔的方案是,基于Xeon至强可扩展处理器,英特尔固态盘,同时结合OpenMP/MPI并行优化技术,采用针对英特尔CPU优化的英特尔®深度神经网络数学核心函数库(MKL-DNN),以及面向英特尔架构优化的深度学习框架Tensorflow等工具,高效地实现长城3D建模和数字化修复,并达到厘米级精度的效果。
整个长城3D建模和数字化修复过程中,需要进行大规模的方程迭代计算,其中一些基于大规模稀疏矩阵的方程求解会存在收敛稳定性问题。这个时候,大规模矩阵计算库MKL的作用就凸现了,它不仅能够提升计算效率,还能够大大提高复杂计算的稳定性。
如今,英特尔开发的MKL-DNN库已经广泛应用在Tensorflow,Caffe等流行的深度学习框架中。可以说,针对深度学习领域不同算法实现的解决方案中,英特尔至强架构是能够全面高效、低成本支持这么多种算法的理想选择,并可以明显提高人工智能修缮长城的效率和速度。
英特尔至强服务器,为人工智能的开发者提供了全套的开发工具链,允许开发者根据深度学习的数据复杂度对内存的需求按需配置。在此基础上,英特尔(中国)研究院和武汉大学将开发出长城缺损/裂缝识别与定位,数字化修复的深度学习算法,包括:
1、长城缺损/裂缝识别与定位
针对损毁及裂缝类型,研究人员在正常的和损毁的长城3D模型上进行样本采集和标定,获取足够多的样本数据,用于训练深度学习网络,该网络采用回归和卷积相结合的架构,针对3D模型的不同视角的2D视图和剖面图,进行大量数据样本的训练分析,形成对典型损毁模式的识别能力。
2、长城数字化模型虚拟修复
当一段长城的损毁部位识别出来之后,AI就会进行数字化的虚拟修复,在损毁的模型上生成3D的修复效果和砖墙纹理,并获得物理修缮所需的工程量的数据,作为对物理修缮的参考建议。
在数字化修复中,大运算量的2D/3D模型生成技术将得到应用。无论是2D还是3D模型的生成网络训练,其数据输入量和运算量都是惊人的,只有英特尔至强服务器能够提供完整的支持。同时,英特尔AI的数字化修复会遵循“修旧如旧”的文物修缮原则,为长城修缮工程提供详细的位置,效果和所需工程量的估计,作为实际工程有效的参考和对照。
总而言之,英特尔在帮助修缮长城的过程中,提供的是一个从前端数据采集,到后端深度网络训练与方案生成,整合了测量工具,人工智能算法,高性能计算平台,形成了一个完整的人工智能文物修缮与保护解决方案。
事实上,不仅仅是修缮长城,其他的人工智能应用场景,英特尔的AI解决方案,也是一个很好的选择。因为无论你是一名数据科学家,还是IT架构师,都可以在你熟悉的CPU平台上,简单高效的按需开发,让AI的开发和应用更简单,更实用。
也恰恰是这种高性能的通用AI计算平台,以及它实际应用于工程和产品的能力,将会帮助更多的AI解决方案提供商,在各个AI应用的领域大胆突破,展开一个AI应用的大时代。
人工智能,从至强开始。文物建筑的修缮与保护就是这样一个生动的例子,也仅仅是一个开端。
原文发布时间为:2018-07-18
本文作者:英特尔商用频道
本文来自云栖社区合作伙伴“数据分析”,了解相关信息可以关注“数据分析”
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
CVPR 2018 最具创意论文 TOP10
每年计算机视觉与模式识别会议 (CVPR) 都会带来杰出而有趣的研究,今年在美国盐湖城举办的CVPR 2018也不例外。CVPR 2018上许多论文提出了全新的深度神经网络在视觉上的应用,它们可能不是最根本的、具有突破性的工作,但它们非常有趣,从新的角度为人们提供了创造性和启发性的想法,而且有些想法很酷!下面是笔者认为的CVPR 2018中最酷的10篇论文,让我们来看看吧! Super SloMo:视频插值中多幅中间帧的高质量估计 论文地址: https://arxiv.org/abs/1712.00080 你有想过用超级慢动作拍摄一些超级酷的东西吗? 不妨看看英伟达(Nvdia)的 Super SloMo 吧!他们的卷积神经网络估计出视频中间帧,并且能够将标准的 30fps 的视频转换为看上去惊人的 240fps 下的慢动作!模型估计帧间光流,使用该模型还可以不影响画质地插入视频帧,从而慢镜头看上去也是清晰的。 WISPE:数码相机弱监督照片增强器 论文地址: http://www.vision.ee.ethz.ch/~ihnatova/wespe.html 真是机智啊!他们训练生成...
- 下一篇
软件定义存储(SDS)之入门
在互联网、物联网、大数据的伴随下,数据呈指数增长,每天增加百万兆字节的数据是很常见的,随之而来将会面临的是更多的存储需求和挑战。传统的解决方案不足以满足这些存储需求,迫切需要一种有效的解决方案,软件定义存储是解决这些问题的常用方案。 SDS起源 在IT基础架构领域的软件定义,最早出现的是:软件定义网络(SDN)。SDN起源于2006年斯坦福大学的Clean Slate研究课题。2009年,Mckeown教授正式提出了SDN概念。通过将网络设备的控制平面与数据平面分离开来,并实现可编程化控制,实现了网络流量的灵活控制,为核心网络及应用的创新提供了良好的平台。 2012年,VMware在其vForum大会上首次提出软件定义数据中心(SDDC)的概念。作为VMware软件定义数据中心五大组成部分(计算、存储、网络、管理和安全)之一,软件定义存储(SDS)的概念也首次被提出。 EMC公司在当年的EMC World发布大会上也发布了SDS战略,引发了业界对SDS的大讨论,SDS迅速成为存储业界的研究热点。而SDS的概念则是最近几年随着华为、杉岩数据等企业产品的逐渐成熟而兴起的。 SDS是个啥? ...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
-
Docker使用Oracle官方镜像安装(12C,18C,19C)
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- CentOS8编译安装MySQL8.0.19
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- MySQL8.0.19开启GTID主从同步CentOS8
- CentOS7,8上快速安装Gitea,搭建Git服务器
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果