来自前线的情报:深度学习技术如何在解决军事问题方面扮演重要角色

对于国防机关、情报机关和国家安全机关来说,消化海量数据是一件日益繁重的工作。

他们需要快速分析陆空情况,以便评估战场、确保环境安全,以及决定何时与如何部署人员或人道援助。

目标检测挑战
目标检测挑战

人工智能技术或许是协助这些机关消化来自众多来源的海量数据的关键。

为了从这些数据中获得深刻见解,这些机关逐渐采用由 GPU 驱动的深度学习技术,以及可以机器速度从原始数据中识别相关内容和模式的算法。

GPU:现代人工智能的引擎

NVIDIA 解决方案架构师 Jon Barker 最近在地理空间情报论坛年会上,向来自国防机关、情报机关和国家安全机关的众多人士表示,“GPU 是现代 AI 的引擎”(请参阅“通过 GPU 加快人工智能的发展:新型计算模型”)。

这项活动的主办单位是美国地理空间情报基金会,它是推广地图和海图绘制等地理空间情报 (GEOINT) 工作的非营利机构。

Barker 介绍了嵌入式 GPU 系统上的深度学习如何以超越人类能力的速度和精确度,在高分辨率的航拍图中侦查、分类和追踪物体。

他说,在出现人道主义危机之际,增强军事目标识别、绘制基础设施地图、搜救任务和提供援助的能力,可让这项技术有更广泛的应用范围。

DefenseAIPicture2-002-672x378

将深度学习技术用于救援

使用深度学习方法需要利用大量训练图像,其中不同种类的物体(例如车辆或建筑物)都已加上标签。

这些图像用于训练人工神经网络,使其能够在前所未见的新图像示例中准确检测物体。

Barker 说,通过数十亿个可训练的参数,识别准确率在去年急增到 95% 以上,而在 2010 年仅接近 70%。

2015 年,微软研究人员使用 GPU 在被誉为图像识别标杆的 ImageNet 上取得创纪录的结果。

微软的 152 层神经网络(较仅次于它的系统又深了近五倍)可在 1,000 种预定义的类别中对图像进行正确分类,达到高于 96% 的正确率。

通过使用 GPU 创建强大的神经网络,引发人工智能的复兴潮,进而出现此项突破性进展。

GPU 还带来了卓越的计算速度。对于国防单位来说,可是不能浪费任何一点时间的。

DefenseAIPicture3-002-672x378

一台搭载有四个 NVIDIA Tesla M40 GPU 加速器的服务器可将 ImageNet 数据集上的 AlexNet 的训练时间缩短为一天,而在使用双 GPU 的服务器上,训练时间接近两周。

GPU 架构也具备充足的调整弹性,能够应用到这些单位面临的各种场景中。

各种开源工具和 cuDNN 等库都可用于自定义设计资源,在时间紧迫的情况下,可以在任何武装力量就位之前,利用紧凑的预算尽早布置第一道防线,还能预测结果。

如需了解有关“深度学习技术用于国防单位的最新进展”的更多信息,请单击此处观看我们录制的近期在线研讨会。

Similar Stories