歐尼克斯實境互動工作室(OmniXRI)

OmniXRI (Omni-eXtened Reality Interaction) 歐尼克斯實境互動工作室是一個全方位電腦視覺、實境互動、邊緣計算及人工智慧技術的愛好者及分享者，歡迎大家不吝留言指教多多交流。這裡的文章大部份是個人原創，如有引用到他人內容都會註明，若不慎疏漏侵犯到，煩請儘快通知，我們會儘速處理。當然這裡的資料也歡迎引用及推廣，煩請註明出處(網頁網址)，謝謝!

2020年9月29日星期二

【課程簡報】Intel人工智慧運算 #1─快速掌握機器手臂視覺辨識技術

很高興這次能和Intel & Sertek & MakerPro共同合作擔任「Intel人工智慧運算」線上系列課程講師，本次主題為「快速掌握機器手臂視覺辨識技術」，共有三小段課程，包括：

【Overview】Intel OpenVINO及RealSense的定位與特色　盧育德（Collins Lu）
【Tech Review】OpenVINO x 機器手臂視覺辨識技術　許哲豪（Jack Hsu）
【Use Case Demo】工廠產線的機器手臂視覺應用　顏清輝（Gray Yan）

這是一項免費課程，只要上網完成註冊及報名就能觀看完整教學影片，完整課程連結： https://makerpro.cc/learning/

2020年9月20日星期日

【AI HUB專欄】如何利用可視化工具揭開神經網路背後的祕密(下)

圖/文歐尼克斯實境互動工作室許哲豪 2020/9/10

卷積神經網路(Convolutional Neural Network, CNN) 在人工智慧中的影像分類、物件偵測等項目的優異表現已是眾所皆知了，但其背後複雜的模型（網路）結構及龐大參數量（權重值）究竟提供何種作用，一直都令人費解，無人不想了解這個神祕的黑箱。在上一期「如何利用可視化工具揭開神經網路背後的祕密（上）」[1]中已幫大家介紹了分層特徵圖(Layer Feature Maps)、敏感度分析(Sensitivity Analysis, SA)、有向非循環圖 (Directed Acyclic Graph, DAG)及反卷積網路(Deconvolution Network, DeconvNet)等四種可視化工具。這一期要接著為大家介紹CAM家族的四大常見可視化工具，包括：

類別活化映射(Class Activation Mapping, CAM)
梯度加權類別活化映射(Gradient-weighted CAM, Grad-CAM)
梯度加權類別活化映射改良(Grad-CAM++)
分數加權類別活化映射(Score-CAM)

Fig. 1 常見卷積神經網路LeNet-5架構。(Sep. 2020 OmniXRI整理繪製)（點擊圖放大）

2020年9月10日星期四

如何在Google Colab上安裝執行Intel OpenVINO的範例

各位有在玩Intel OpenVINO的人都知道，這項開源推論工具可支援多種作業系統(Windows, Linux, Raspbian, Docker...)、程式語言(C++, Python...)及不同硬體(Intel's CPU, GPU, VPU, FPGA...)，加上很多預訓練好的模型，可以很方便測試人工智慧經常遇到的應用情境。

最常見的用法就是直接在電腦或樹莓派USB埠插上一組Intel神經運算棒(NCS2, VPU)來練習。但如果遇到要教學或臨時要測試時，不容易找到多台裝好OpenVINO的主機或是沒有足夠數量的神經運算棒時，就會變得很不方便。

玩AI的人都知道，Google有佛心的提供免費虛擬主機加上GPU及TPU運算資源給大家，稱為Colab。這個工具不僅幫我們把Jupyter Notebook環境架好，連基本的TensorFlow, OpenCV等常用的工具包都已建置完成，很方便直接進行深度學習的模型開發、測試、訓練及推論。

之前Colab這項免費資源並沒有和Intel OpenVINO有太多連結。最近剛好看到INTEL釋出的一個範例，馬上吸引到我的目光，因為它完美解決了這個問題，直接用Colab虛擬機上的Intel CPU (二顆Xeon)來執行OpenVINO。於是馬上動手測試一下並整理出三個基本範例給大家參考。

2020年9月7日星期一

【AI HUB專欄】如何利用可視化工具揭開神經網路背後的祕密(上)

圖/文歐尼克斯實境互動工作室許哲豪 2020/8/27

2012年Alex Krizhevsky和其指導教授知名圖靈獎得主Geoffrey Everest Hinton以「AlexNet」卷積神經網路(Convolution Neural Network, CNN)贏得大規模視覺辨識挑戰賽(ImagNet Large Scale Visual Recognition Competition, ILSVR)，並以低於第二名10%以上的錯誤率受到極大矚目，從此打開人工智慧及「深度學習」的新紀元。雖然CNN利用多層卷積(Convolution)、池化(Pooling)層及扁平化(Flatten)、全連結(Full Connected)構成的模型（神經網路）有著極佳地分類能力，但沒有人可以理解其背後意義，不像傳統機器學習技術中的決策樹(Decision Tree, DT)或支援向量機(Support Vector Machine, SVM)有著清楚的特徵及物理意義。