人工智能技术导论-课件 第5章 人工智能关键技术

第5章人工智能关键技术目录5.1计算机视觉技术5.2智能语音技术5.3自然语言处理技术5.4知识图谱技术学习目标本章主要从人工智能系统的技术视角，围绕人工智能中的计算机视觉技术、智能语音技术、自然语言处理技术、知识图谱等核心技术进行讨论，希望带领读者正确理解人工智能关键技术的概念，初步认识人工智能系统的“看、听、说、做”实现方法。理解计算机视觉关键技术理解智能语音关键技术理解自然语言处理关键技术理解知识图谱关键技术目录5.1计算机视觉技术概述

人工智能的本质工作是研究、开发用于模拟和延展人类的智能的应用系统，具体来说就是通过人工智能技术来模仿人类的“视物”、“听声”、“说话”、“理解”及“推理”等人类智能能力。人类智能与人工智能概述计算机视觉（CompuerVision，CV）是研究使用计算机实现或模拟人类“视物”功能的技术，使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。确切地说，计算机视觉技术就是利用了摄像机以及电脑替代人类眼睛，使得计算机拥有人类眼睛所具有的分类、识别、分割、跟踪、判别决策等功能。概述

通过图像获取技术提取二维图像、三维图组、图像序列等原始数据。

下面所示展示了人类看到的“冰墩墩”图像和机器获取到的“冰墩墩”数据（右图为了清晰呈现，只截取了部分数据）。人类看到的“冰墩墩”图像机器“看到”的“冰墩墩”图像概述

计算机视觉系统就是创建了能够在二维平面图像或者三维立体图像的数据中，以获取所需要的“信息”的一个完整的人工智能系统，例如自动驾驶、智能机器人等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。自动驾驶系统智能机器人图像处理基础

图像是人类视觉的基础，是自然景物的客观反映，是人类认识世界和人类自身的重要源泉。计算机视觉是让机器具有智慧的“眼睛”，图像处理是其重要的研究内容。对于图像，有一个重要的概念-图像分辨率。图像分辨率又分为空间分辨率和灰度分辨率。图像处理基础分辨率高

空间分辨率是每英寸图像内有多少个像素点被采样，分辨率的单位为PPI(PixelsPerInch，像素每英寸)。采样过程实质上对一幅图像等间距划分成多个网格，每一个网格表示一个像素点。采样间隔越大，所得图像像素数越少，空间分辨率越低，图像质量差，严重时出现马赛克效应；采样间隔越小，所得图像像素数越多，空间分辨率越高，图像质量好，但数据量大。

分辨率低图像处理基础

灰度分辨率是用于量化灰度的比特数，通常用2的整数次幂来表示，例如8bit，它表示的灰度范围是0到255。量化实质上是颜色值数字化的过程。根据图像的灰度级数，可将图像分为黑白图像（二值图像，用0和1表达）、灰度图像和彩色图像。彩色图像黑白图像灰度图像计算机视觉技术的主要任务

计算机视觉是一种让计算机学会“视物”并“识物”的技术，跟人类观察世界一样，从粗粒度的“归类”到精细粒度的“理解”，计算机视觉技术的主要任务有图像分类（What）、目标检测（What&Where）、图像分割（What&Where），其中图像分割不但能检测位置，还能够精细地将位置轮廓勾勒出来。计算机视觉技术的主要任务图像分类体验网址：/tech/imagerecognition/ingredient图片分类（ImageClassification），顾名思义，就是通过算法对其中的对象进行分类，图像分类一直是计算机视觉中非常基础且重要的一个任务，也是几乎所有的深度学习网络模型进行评价测试的方向。计算机视觉技术的主要任务目标检测（ObjectDetection）主要从图像中分离出感兴趣的目标，不仅要用算法判断图片目标对象的类别，还要对图像目标对象进行定位，即在图像中确定其位置，并用矩形框把检测目标对象标识出来。目标检测体验网址：/tech/vehicle/detect计算机视觉技术的主要任务

图像分割用于预测图像中每个像素点所属的类别或者实体，是计算机视觉中非常重要的任务。按照分割任务不同，主要分为两类：（1）语义分割（SemanticSegmentation）：是对图像中的每个像素都划分出对应的类别，即实现像素级别的分类，对比目标检测，图像分割支持用多边形标注训练数据，模型可像素级识别目标，它的目标是为图像中的每个像素分类；（2）实例分割（InstanceSegmentation）：不但要进行像素级别的分类，还需在具体的类别基础上区分不同的实例，一般用不同的颜色标识。目录5.2智能语音技术智能语音系统构成智能语音的识别过程

智能语音把语音作为研究对象，是语音信号处理的一个重要研究方向，涉及心理学、语言学、计算机科学以及信号处理等诸多领域，甚至还涉及到人的体态语言，最终目标是实现人与机器进行自然语言对话。智能语音技术，也被称为自动语音识别自动语音识别（AutomaticSpeechRecognition，ASR），就是让机器通过识别和理解，把语音信号转变为相应的文本或命令的技术。智能语音系统构成智能语音识别系统构成

为了实现机器与人类的正常对话、交流，智能语音系统需要完成“识别”、“听清”、“理解”、“行动”以及“播报”这一连贯的任务。因此，智能语音系统至少包含了5个基本的子模块：语音唤醒、语音增强、声纹识别、语种识别和语音合成等。智能语音系统构成语音唤醒

语音唤醒的目标就是让机器“能听”。“嘿，siri”、“小爱同学”，在使用智能语音助手时，常常会叫到人们呼唤这些名字，让它们来帮助完成一些指令。而这个叫名字的过程，就是指的语音唤醒。智能语音系统构成语音增强

语音增强的目标是让机器“听得清”，是指当语音信号被各种各样的噪声干扰、甚至淹没后，从噪声背景中提取有用的语音信号，抑制、降低噪声干扰的技术。总结起来，语音增强就是指从含噪声的语音中提取尽可能纯净的原始语音。智能语音系统构成声纹识别

声纹识别的目标是让机器“听出说话的对象”，它是生物识别技术的一种，也称为说话人识别。声纹识别能够提取每个人独一无二的语音特征，实现“听音辨人”，在涉及说话人身份识别的场景中具有重要应用价值。智能语音系统构成语种识别

语种识别的目标是让机器“听出是哪种语言”，即让机器判断某段音频是英语、中语还是法语，又称判断音频的语种。致力于智能语音研究的科大讯飞，推出了方言识别功能，目前讯飞输入法支持23种方言，其中粤语、闽南语、湖南话、四川话、东北话、河南话等方言的识别率均已超过90%。智能语音系统构成语音合成

语音合成又称文本转语音技术（TexttoSpeech，TTS），目标是让机器“能说”，指通过机械的、电子的方法产生人造语音，将任意文字信息转化为标准流畅的语音朗读出来。通俗的讲，语音合成技术就是赋予计算机“像人一样开口说话”的能力。智能语音的应用智能语音硬件产品

随着人工智能技术的不断发展，人工智能的各种应用及产品在社会地各个方面都有渗透，人们已经接触过越来越多的人脸识别产品、智能语音产品等。这些智能语音产品分为硬件产品和软件产品两类。智能语音软件产品目录5.3自然语言处理技术自然语言处理任务层级

自然语言处理（NaturalLanguageProcessing，NLP），是研究人与计算机交互语言问题的一门学科，是计算机科学和人工智能结合的一个子领域。自然语言处理的主要任务是将机器学习算法应用于处理文本，将自然语言（主要是以文本形式呈现的语言）作为计算机程序的输入和（或）输出，它的关键任务是使计算机“理解”人类语言，代替人类执行语言翻译和问题回答等任务。

自然语言处理技术按任务层级分为底层资源建设、基础任务、中层应用任务和上层应用系统。自然语言处理技术体系

实现人类与计算机之间自然语言的通信，意味着要使计算机既能理解自然语言文本的意义，也能以自然语言文本来表达给定的意图、思想等。前者称为自然语言理解（NLU,NaturalLanguageUnderstanding），后者称为自然语言生成（NLG,NaturalLanguagegeneration）。因此，自然语言处理技术体系大体包括了自然语言理解和自然语言生成两大方向。自然语言处理技术体系语音合成

自然语言理解（NLU），顾名思义，就是让机器“理解”人类语言，是所有支持机器理解文本内容的方法模型或任务的总称。自然语言理解在文本信息处理系统中扮演着非常重要的角色，是推荐、问答、搜索等系统的必备模块。

自然语言生成（NLG），就像写文章创作一样，涉及构词、构句、构造上下文、构造意境等，整体上相比自然语言理解难度更大，成熟度更低。目前比较多自然语言生成的应用主要关注于垂直领域，比如文本摘要，古诗词生成，机器翻译，新闻通稿生成等，文本格式相对单一。自然语言处理应用文本分类的应用和文本情感分析应用

自然语言处理相当于机器语言和人类语言之间的翻译，通过搭建沟通的桥梁，以实现人与机器交流的目的。自然语言处理的研究内容包括机器翻译、信息检索、实体抽取、文本分类、智能问答、情感分析、自动摘要、舆情分析等。有道自动语种识别及翻译目录5.4知识图谱技术知识图谱技术概述知识图谱概念演化

2012年Google公司提出“知识图谱（KnowledgeGraph,，KG）”，最初特指Google公司为了支撑其语义搜索而建立的知识库。随着知识图谱技术应用的深化，知识图谱已经成为大数据时代最重要的知识表示形式，以开发专家系统（ExpertSystem，又称为Knowledge-basedSystem）为主要内容，以让机器使用专家知识以及推理能力解决实际问题为主要目标的人工智能子领域，主要模拟人类“推理”功能。知识图谱的认知微博转发关系知识图谱示例体验网址：/#/Graph/graph_weibo

知识图谱(KnowledgeGraph)，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。现实世界中，知识都是交叉在一起的，组成了一个复杂的关系网络，知识图谱就是为了表示知识之间结构关系的一种可视化图形表示。

知识图谱由节点（Point）和边（Edge）组成，每个节点表示现实世界的“实体（Entity）”，每条边为实体与实体之间的“关系（Relationship）”。实体越多，所产生的关系就越复杂，知识图谱规模也会越庞大。知识图谱的认知

2017年，我国学科目录做了调整，首次出现了知识图谱学科方向，教育部对于知识图谱这一学科的定位是“大规模知识工程”。需要指出的是，知识图谱技术的发展是一个循序渐进的过程，其学科内涵也在不断发生变化。知识图谱的认知

近年来，随着互联网应用需求日益增加，越来越多的知识图谱应运而生。知识图谱按照应用的深度主要可以分为两大类:

一是通用知识图谱General-purposeKnowledgeGraph，GKG），通俗讲就是大众版，没有特别深的行业知识及专业内容，一般是解决科普类、常识类等问题。

二是行业知识图谱（Domain-specificKnowledgeGraph,DKG），通俗讲就是专业版，根据对某个行业或细分领域的深入研究而定制的版本，主要是解决当前行业或细分领域的专业问题。知识图谱构建流程

知识图谱的构建流程主要包括：知识建模、知识获取、知识融合、知识存储、知识计算以及知识应用。

知识建模，也叫做业务建模，是构建多层级的知识体系，将知识、属性、关联关系等信息转化为数据库。

知识获取