21世纪是科技高速发展的时代，互联网渐渐走入人们的生活。互联网就像一张网。把我们紧紧联系起来，现在的衣食住行都离不开互联网科技，下面分享一篇关于互联网科技的文章给大家。

在过去30年的大部分时间里，计算机视觉技术一直在努力帮助人类完成视觉任务，即使是那些像准确识别照片中的面孔这样平凡的任务。然而，最近，人工智能的一个新兴领域——深度学习的突破，终于使计算机能够像人类一样成功地解释许多种图像，甚至比人类做得更好。一些公司已经在销售利用该技术的产品，这种技术可能会取代或帮助人们完成现在广泛的任务，从驾驶卡车到阅读诊断疾病的扫描。

卷积神经网络(CNN)这种深度学习方法的最新进展是这一最新进展的关键。举一个简单的例子来说明它的威力，看看动物的图像。虽然人类可以很容易地区分猫和狗，但CNNs允许机器比人类更成功地对特定品种进行分类。它之所以出色，是因为它能更好地学习，并从图像中微妙而生动的模式中进行推断。

卷积神经网络不需要通过编程来识别图像中的特定特征，比如动物耳朵的形状和大小。相反，他们通过训练学会了自己识别这些特征。例如，要训练CNN将英国的施普林格西班牙猎犬与威尔士的施普林格西班牙猎犬区分开来，你需要从成千上万的动物图片开始，包括任何一个品种的图片。像大多数深度学习网络一样，CNNs是分层组织的。在底层，他们从图像中学习简单的形状和边缘。在较高的层次，他们学习复杂和抽象的概念——在这种情况下，耳朵、尾巴、舌头、皮毛纹理等特征。一旦训练有素，CNN就能很容易地判断一个动物的新形象是否显示出某种兴趣。

在过去的十年中，图形处理单元和并行处理的巨大进步使CNNs成为可能。但互联网也带来了深远的变化，它满足了CNNs对数字化图像永不满足的需求。

以深度学习为动力的计算机视觉系统正在为一系列的应用开发。这项技术通过增强识别行人的能力，使自动驾驶汽车更安全。保险公司开始使用深度学习工具来评估汽车的损坏程度。在安全摄像行业，CNNs使理解人群行为成为可能，这将使公共场所和机场更加安全。在农业领域，深度学习应用可以用于预测作物产量，监测水位，并在作物疾病传播之前帮助检测它们。

深度学习视觉任务使其广泛的医学进展,可以速度专家的解释扫描和病理幻灯片和提供关键信息的地方缺乏专业训练阅读镜像筛查,诊断、监测疾病进展或对治疗的反应。例如，今年，美国食品和药物管理局(fda)批准了初创公司Arterys的一种深度学习方法，用于观察心脏中的血液流动;目的是帮助诊断心脏病。也是在今年，斯坦福大学的Sebastian Thrun和他的同事们在《自然》杂志上描述了一个系统，该系统可以像皮肤科医生那样对皮肤癌进行分类。研究人员指出，这种安装在智能手机上的程序在世界各地都很普遍，可以提供“低成本的普遍获得重要诊断护理的途径”。目前还在开发评估糖尿病视网膜病变(失明的一种原因)、中风、骨折、阿尔茨海默病和其他疾病的系统。