2016-06-04 16:39:46 shixiangyun2 阅读数 24746
  • 计算机视觉技术之人脸识别实战

    计算机视觉是一门研究如何使机器通过“看”去理解世界的学科,是目前深度学习领域最热门的研究领域之一。具体来说我们可以通过相机与计算单元的结合,在一定场景下机器视觉系统代替人眼对目标进行识别、跟踪和测量等工作。本门课程将带领大家深入浅出计算机视觉技术的核心,了解视觉领域项目和落地情况。为更多有志加入深度学习-计算机视觉领域的IT人员搭建有力的通道,建立坚实的基础。

    1090 人正在学习 去看看 CSDN就业班

人脸识别介绍

人脸识别技术是一项非接触式、用户友好、非配合型的计算机视觉识别技术。随着机器学习、深度学习等技术的发展,人脸识别的应用正日趋完善和成熟。本文将介绍人脸识别技术如何用于考勤/签到系统。

本文将主要从以下几个方面阐述:

  • 平台环境需求
  • 涉及的技术点
  • 人脸识别系统流程
  • 细节设计

平台环境需求

  • 操作系统:Windows 64位
  • 第三方库:OpenCV,Caffe,boost
  • 开发语言:C++
  • 数据库:MySQL

技术点

adaboost算法和CNN用于人脸检测与定位;
随机森林算法/CNN用于人脸关键点标定;
卷积神经网络用于人脸特征提取;
MFC用于设计系统操作界面;
MySQL数据库用于管理人物-人脸特征数据库;
Caffe框架用于上述环节中CNN模型的训练;
使用Caffe的C++接口进模型行部署和使用;
使用connector C++进行MySQL数据库的连接。

系统流程

考勤系统主要包含两个操作:注册和实时识别记录。

注册是指管理员通过软件界面将需考勤人员登记入库。 这里要输入待考勤人员的信息。
实时识别记录是系统自动对来往人群进行人脸识别,并记录通行者的身份。

进行注册的流程如下:

Created with Raphaël 2.1.0开始注册?人脸检测特征提取插入数据库yes

实时识别的流程如下:

Created with Raphaël 2.1.0开始实时识别?人脸检测特征提取搜索数据库并记录身份yes

细节设计

人脸检测

使用OpenCV的人脸检测器进行人脸的初步检测,使用Caffe训练CNN网络进行人脸的二分类判定,将两部分合在一起完成人脸检测。此环节需注意根据应用场景调整参数,做到性能与召回率的平衡。

也可使用Python+OpenCV进行视频中的人脸检测,参考这篇文章

人脸关键点定位

关键点定位的目标是在确知人脸位置的基础上,精确定位面部的关键点,如下图示意:

获得面部关键点的目的是进行人脸的对齐和标准化。标准化的人脸输入可以获得更高的人脸识别精度。

人脸特征提取

人脸特征提取是根据上述标准化的人脸区域图块,提取出数字化的特征。即完成从RGB信息到数值特征的变换。此环节需要尽量使得同一个人物的不同人脸所提取到的特征尽可能相似,而不同人物的人脸所提取的特征尽可能相异。

模型的训练

人脸识别的CNN网络模型的训练采用CASIA-Webface数据库,具体训练方式参见我的这篇文章。训练模型的流程参考我的github项目

本模型在LFW评测集上达到了接近97%的准确率。具备一定的实用性。

模型的部署

部署主要考虑Caffe在Windows平台的移植,官方的Caffe对Windows系统并不支持,为了使用Caffe的C++接口,我们需要使用Windows版本的Caffe,微软出了一个版本的Caffe,参考这里。

MySQL数据库的使用

MySQL的安装和配置详见这里。
我们使用默认的3306端口,配置好账户密码后,即可创建数据表。

MFC工程的搭建

使用Visual Studio 2013创建MFC工程,设计本软件的界面。详细的配置流程参考这里。

本软件设计界面如下
界面

主要包括注册和搜索两个功能。点击注册时,按钮下方出现输入框,用于输入待考察人物的信息。

软件使用

注册,点击注册按钮,并选定需要注册的人脸。
注册
输入人物信息,并提交到数据库。
输入信息
搜索,点击搜索,界面中实时识别人物,并将识别到的信息展示在人脸上。
搜索

2018-12-12 22:14:48 duozhishidai 阅读数 805
  • 计算机视觉技术之人脸识别实战

    计算机视觉是一门研究如何使机器通过“看”去理解世界的学科,是目前深度学习领域最热门的研究领域之一。具体来说我们可以通过相机与计算单元的结合,在一定场景下机器视觉系统代替人眼对目标进行识别、跟踪和测量等工作。本门课程将带领大家深入浅出计算机视觉技术的核心,了解视觉领域项目和落地情况。为更多有志加入深度学习-计算机视觉领域的IT人员搭建有力的通道,建立坚实的基础。

    1090 人正在学习 去看看 CSDN就业班

文字识别是计算机视觉研究领域的分支之一,归属于模式识别和人工智能,是计算机科学的重要组成部分。计算机文字识别,俗称光学字符识别,英文全称是Optical Character Recognition(简称OCR),它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来,并转换成一种计算机能够接受、人可以理解的格式。OCR技术是实现文字高速录入的一项关键技术。

OCR技术的兴起便是从印刷体识别开始的,印刷体识别的成功为后来手写体的发展奠定了坚实的基础。文字识别的主要流程大致分为以下几个部分:图像预处理、版面处理、图像切分、特征提取和模型训练、识别后处理。

图像预处理

输入文本经过扫描仪进入计算机后,由于纸张的厚薄、光洁度和印刷质量都会造成文字畸变,产生断笔、粘连和污点等干扰,所以在进行文字识别之前,要对带有噪声的文字图像进行处理。由于这种处理工作是在文字识别之前,所以被称为预处理。预处理一般包括灰度化、二值化,倾斜检测与校正,行、字切分,平滑,规范化等等。

版面处理

版面处理分为三个主要部分,版面分析、版面理解、版面重构。

版面分析将文本图像分割为不同部分,并标定各部分属性,如:文本、图像、表格。目前在版面分析方面的工作核心思想都是基于连通域分析法,后衍生出的基于神经网络的版面分析法等也都是以连通域为基础进行的。连通域是指将图像经过二值化后转为的二值矩阵中任选一个像素点,若包围其的所有像素点中存在相同像素值的像素点则视为两点连通,以此类推,这样的像素点构成的一个集合在图像中所在的区域即一个连通域。根据连通域大小或像素点分布等特征可以将连通域的属性标记出来,用作进一步处理的依据。

图像切分

图像切分大致可以分为两个主要类别,行(列)切分和字切分。经过切分处理后,才能方便对单个文字进行识别处理。

特征提取与模型训练

特征提取与模型训练在深度学习广泛应用于图像识别领域之前,模板匹配是较为常见的一种识别方式,之后由于神经网络的复苏,基于反馈的神经网络给OCR领域带来了又一春。现在随着计算机硬件计算能力的提升,利用大批数据训练深度神经网络在图像识别方面取得了傲人的成绩。

特征提取是从单个字符图像上提取统计特征或结构特征的过程。特征匹配是从已有的特征库中找到与待识别文字相似度最高的文字的过程。

识别后处理

识别校正是在识别结果基础上根据语种的语言模型进行,当然在单文种识别中相对容易一些,而在多语种则较为复杂。


1.深度学习与计算机视觉的具体介绍

http://www.duozhishidai.com/article-15924-1.html

2.机器人视觉系统分为哪几种,主要包括哪些关键技术?

http://www.duozhishidai.com/article-1753-1.html

3.图像识别经历了哪几个阶段,主要应用在哪些领域?

http://www.duozhishidai.com/article-6461-1.html

 

2019-05-22 13:48:40 weixin_41702280 阅读数 85
  • 计算机视觉技术之人脸识别实战

    计算机视觉是一门研究如何使机器通过“看”去理解世界的学科,是目前深度学习领域最热门的研究领域之一。具体来说我们可以通过相机与计算单元的结合,在一定场景下机器视觉系统代替人眼对目标进行识别、跟踪和测量等工作。本门课程将带领大家深入浅出计算机视觉技术的核心,了解视觉领域项目和落地情况。为更多有志加入深度学习-计算机视觉领域的IT人员搭建有力的通道,建立坚实的基础。

    1090 人正在学习 去看看 CSDN就业班

深度学习在计算机视觉中的应用,使得传统的图像处理无法解决的问题成为可能,并因此衍生出更多的学术和工程需求。面对不断发展的工程需要,计算机视觉技术也在逐渐完善,本篇博客介绍计算机视觉的技术进阶。

第一阶 图像识别。

图像识别解决的是日常生活中,‘ 这是什么?’ 的问题,对于该种问题,其实就是要求设计模型能准确分类出具体事物的label标签,像下面这张图一样。
模型需要说出来的是:‘这是猫’
这张图是什么

  • 对于这种分类问题,是简单地神经网络,或者说简单几层多层感知机就能解决。这就引申出来CNN的鼻祖 Lenet。基础版的卷积神经网络DIY 设计很简单,你可以使用很多的框架几行代码就可以写出来,基本遵循 卷积–激活函数–池化 – 卷积 – …… – Flatten层 – 全连接层。 如果你有个纯净的数据集,都可以获得一个比较不错的分类结果。
  • 总结: 图像识别问题可以解决大部分的简单分类问题。

第二阶 图像检测

图像识别问题,对训练数据有个严苛的要求,就是图片纯净,也就是图片中需要只存在一种label的物体,这其实在现实应用中很难获得,也有很多的局限性。在日常接触到的图像数据中,更多的是这样的图片。
因此,图像检测需要结局的是 ‘ **这是什么,它在哪?**的问题。
图像检测问题

  • 这延伸出来需要准确把目标物体的大致位置找出来。在图片中也可以看出来,目标检测就是在大的图片中找到物体区域,再给每个区域进行物体的分类。
  • 定位涉及到位置回归的问题,在这方面的介绍我会另开一个系列的博客,包括 R-CNN 系列, SSD 系列, YOLO系列。
  • 目标检测基本是工业场景中应用最广泛的基础技术,是重点问题。

第三阶 图像分割

用过PS的同学应该都好理解,简称就是让模型自动去抠图,但图像分割并不是让模型去抠图,而是为了能够更准确获得目标的准确位置,这个位置不是图像检测中简单地一个框,而是目标地轮廓。
在这里插入图片描述

  • 准确的位置,在很多场景中有很高的要求,如自动驾驶中的车道线保持,物体避让,这些不能仅仅靠目标检测的一个框,而且随着更多的场景开发,图像分割会有越来越多地应用场景。
  • 图像分割也有一个专业领域,会单开一个系列去具体介绍。
  • 图像分割能解决地问题是’ 这是什么,找到它的轮廓

第四阶 图像聚类

自然界的图片数据集太多了,不可能给每一张图片都打上label, 而且label也不可能特别细化。 如淘宝网中庞大的衣服图片,有时我们喜欢一款衣服,我们想去淘宝买同款,但不可能淘宝把每件相似的衣服都打上一个标签。这就需要用到聚类技术了。
在这里插入图片描述

  • 其实不难发现以图搜图其实是在比较和图片相似的图片,这个相似比较的内容不是简单的像素值,更多的用的是经CNN提取的特征,这个CNN是经过训练后的,不然这个特征也没什么参考性。这个应该是了解分类网络的人都应该知道。
  • 聚类技术同样会开一个单独系列。
  • 聚类的应用范围同样很广,主要是两个方面: 标签数据的粗清洗 和 类似以图搜图的应用。

第五阶 图像翻译

其实工业场景中,前四阶已经可以大有可为。往后的内容更多地应用在娱乐化或学术性的内容。今天先写到这里,有时间再回来补

2019-02-24 23:37:28 qq_43761991 阅读数 89
  • 计算机视觉技术之人脸识别实战

    计算机视觉是一门研究如何使机器通过“看”去理解世界的学科,是目前深度学习领域最热门的研究领域之一。具体来说我们可以通过相机与计算单元的结合,在一定场景下机器视觉系统代替人眼对目标进行识别、跟踪和测量等工作。本门课程将带领大家深入浅出计算机视觉技术的核心,了解视觉领域项目和落地情况。为更多有志加入深度学习-计算机视觉领域的IT人员搭建有力的通道,建立坚实的基础。

    1090 人正在学习 去看看 CSDN就业班

初识计算机视觉和图像

计算机视觉

  • 什么是计算机视觉

    定义太过复杂,简单而言,就是为了让计算机去认识世界,是人工智能的一个重要方向,需要图像处理,机器学习,三维理论等技术。

  • 计算机视觉的应用

    • 三维图像视觉

    • 图片识别分析

    • 人脸识别

    • 文字识别

    • 视频/监控分析

    • 图像及视频编辑

    • 工业视觉检测

    • 医疗影像检测

    • 驾驶辅助…

  • 有众多创业公司以计算机视觉方面的技术为核心进行融资。根据融资数据进行分析,可以挑选出总融资过亿元(人民币)的八家该领域的创业公司。可见计算机视觉是计算机的一个热门领域。

    计算机视觉与图像:å"大热点å¬å¸ä"¥åŠä¹å¤§åº”用场景

注:数据来源桔子雷达。

  • 计算机视觉与计算机图形学的区别

    • 图形学做出的事如何将现实或者虚拟的场景在计算机上绘制出来,主要有虚拟仿真方向和游戏动漫方向。

    • 两个学科有很多相似之处,图像的基础模型是一致的,都是根据计算机的特点设计的,还有一些基本变化也是通用的。


openCV

openCV是一个用于图像处理、分析、计算机视觉方面的开源函数库。


图像

图像可以看成一组波(傅里叶分析)

img

这些看起来是不是很形象呢。四幅图都是随着时间变化的波,这是在时域的角度下进行理解。那如果换一个角度来看这些波又会怎么样呢?也就是在频域的角度下来看。而而贯穿时域与频域的方法之一,就是传中说的傅里叶分析。傅里叶分析可分为傅里叶级数(Fourier Serie)和傅里叶变换(Fourier Transformation)。

img

在这几幅图中,最前面黑色的线就是所有正弦波叠加而成的总和,也就是越来越接近矩形波的那个图形。而后面依不同颜色排列而成的正弦波就是组合为矩形波的各个分量。这些正弦波按照频率从低到高从前向后排列开来,而每一个波的振幅都是不同的。一定有细心的读者发现了,每两个正弦波之间都还有一条直线,那并不是分割线,而是振幅为0的正弦波!也就是说,为了组成特殊的曲线,有些正弦波成分是不需要的。

这里,不同频率的正弦波我们成为频率分量。

如果我们把第一个频率最低的频率分量看作“1”,我们就有了构建频域的最基本单元。

对于我们最常见的有理数轴,数字“1”就是有理数轴的基本单元。

时域的基本单元就是“1秒”,如果我们将一个角频率为ω的正弦波cos(ωt)看作基础,那么频域的基本单元就是ω。

介绍完了频域的基本组成单元,我们就可以看一看一个矩形波,在频域里的另一个模样了:img

这是什么奇怪的东西?

这就是矩形波在频域的样子,是不是完全认不出来了?教科书一般就给到这里然后留给了读者无穷的遐想,以及无穷的吐槽,其实教科书只要补一张图就足够了:频域图像,也就是俗称的频谱,就是——img

好了,看到这里相信大家对图像可以看成一组波应该有一定理解了吧。

从像素角度理解图像

这里就要引出两个概念了,图像的取样和图像的量化。

  • 图像的取样

    ◆ 在取样时,若横向的像素数(列数)为M ,纵向的像素数(行数)为N,则图像总像素数为M*N个像素。

    ◆ 一般来说,采样间隔越大,所得图像像素数越少,空间分辨率低,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,空间分辨率高,图像质量好,但数据量大。

在这里插入图片描述

  • 图像的量化

    量化等级越多,所得图像层次越丰富,灰度分辨率高,图像质量好,但数据量大;量化等级越少,图像层次欠丰富,灰度分辨率低,会出现假轮廓现象,图像质量变差,但数据量小.很明显,数字图像的质量在很大程度上取决于取样和量化中所用的样本数和灰度级。在这里插入图片描述

  • 三种图像

    • 黑白图像

      指图像的每个像素只能是黑或者白,没有中间的过渡,故又称为2值图像。2值图像的像素值为0、1。

      在这里插入图片描述

    • 灰度图像

      灰度图像是指每个像素的信息由一个量化的灰度级来描述的图像,没有彩色信息。在这里插入图片描述

    • 彩色图像

      彩色图像是指每个像素的信息由RGB三原色构成的图像,其中RBG是由不同的灰度级来描述的。
      在这里插入图片描述

  • 图像的数字表示

    令f(s, t)表示一幅具有两个连续变量s和t的连续图像函数。通过取样和量化, 我们可把该函数转换为数字图像。将该连续图像取样为一个二维阵列f(x,y), 该阵列有M行和N列,其中(x,y)是离散坐标。

在这里插入图片描述
在某些讨论中,使用传统的矩阵表示法来表示数字图像及其像素更为方便:
在这里插入图片描述
二维矩阵是表示数字图像的重要数学形式。一幅M×N的图像可以表示为矩阵:矩阵中的每个元素称为图像的“像素”。每个像素都有它自己的“位置”和“值”,“值”是这一“位置”像素的颜色或者强度。

这一步和下一步结合很紧密的,希望各位理解清楚了再往下看吧。

  • 初识滤波和卷积

    线性滤波可以说是图像处理最基本的方法,它可以允许我们对图像进行处理,产生很多不同的效果。做法很简单。首先,我们有一个二维的滤波器矩阵(有个高大上的名字叫卷积核)和一个要处理的二维图像。然后,对于图像的每一个像素点,计算它的邻域像素和滤波器矩阵的对应元素的乘积,然后加起来,作为该像素位置的值。这样就完成了滤波过程。(文字太长,看的烦?那么见图吧)

    在这里插入图片描述
    ​ (图中的3*3矩阵就是一个滤波器矩阵,常常叫卷积核)

    ​ 对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二维函数的所有位置,这个操作就叫卷积或者协相关。卷积和协相关的差别是,卷积需要先对滤波矩阵进行180的翻转,但如果矩阵是对称的,那么两者就没有什么差别了。

  • 高斯模糊

    模糊可以理解为图像中的每个像素都重新设置像素值为周边相邻像素的平均值,但不等同。这个相邻像素的范围越广,模糊范围越大。接下来的问题就是,既然每个点都要取周边像素的平均值,那么应该如何分配权重呢?如果使用简单平均,显然不是很合理,因为图像都是连续的,越靠近的点关系越密切,越远离的点关系越疏远。因此,加权平均更合理,距离越近的点权重越大,距离越远的点权重越小。

    正态分布显然是一种可取的权重分配模式。在图形上,正态分布是一种钟形曲线,越接近中心,取值越大,越远离中心,取值越小。计算平均值的时候,我们只需要将"中心点"作为原点,其他点按照其在正态曲线上的位置,分配权重,就可以得到一个加权平均值。

    正态分布是一维的,图像都是二维的,所以我们需要二维的正态分布。正态分布的密度函数叫做[“高斯函数”](这就是为什么把这种模糊叫高斯模糊)

    二维的高斯函数:在这里插入图片描述

    • 高斯模糊算法
      • 计算权重矩阵
      • 进行卷积

    原理清楚了,那么让我们用代码来学习一下高斯模糊吧!

    • 在vs2017中配置了openCV的环境来完成的。
    
    #include<opencv2/opencv.hpp>
    #define PI 3.1415926
    using namespace std;
    using namespace cv;
    
    
    int main(int argc, char **argv)
    {
    	
    	Mat src = imread("C:/back.jpg", 1);
    	cvtColor(src, src, COLOR_BGR2GRAY);
    	namedWindow("src", WINDOW_AUTOSIZE);
    	imshow("src", src);
    
    	//5x5卷积模板
    	Mat model = Mat(5, 5, CV_64FC1);
    
    	double sigma = 80;
    	for (int i = -2; i <= 2; i++)
    	{
    		for (int j = -2; j <= 2; j++)
    		{
    			model.at<double>(i + 2, j + 2) =
    				exp(-(i * i + j * j) / (2 * sigma * sigma)) /
    				(2 * PI * sigma * sigma);
    		}
    	}
    
    	double gaussSum = 0;
    	gaussSum = sum(model).val[0];
    	for (int i = 0; i < model.rows; i++)
    	{
    		for (int j = 0; j < 5; j++)
    		{
    			model.at<double>(i, j) = model.at<double>(i, j) /
    				gaussSum;
    		}
    	}
    
    	Mat dst = Mat(src.rows - 4, src.cols - 4, CV_8UC1);
    
    	for (int i = 2; i < src.rows - 2; i++)
    	{
    		for (int j = 2; j < src.cols - 2; j++)
    		{
    			double sum = 0;
    			for (int m = 0; m < model.rows; m++)
    			{
    				for (int n = 0; n < model.cols; n++)
    				{
    					sum += (double)src.at<uchar>(i + m - 2, j + n - 2) *
    						model.at<double>(m, n);
    				}
    			}
    
    			dst.at<uchar>(i - 2, j - 2) = (uchar)sum;
    
    		}
    	}
    
    	namedWindow("gaussBlur", WINDOW_AUTOSIZE);
    	imshow("gaussBlur", dst);
    
    	waitKey(0);
    }
    
    
    
    • 运行效果

在这里插入图片描述
本文属于第一次接触计算机视觉和图像处理后的心得与感悟。

2019-03-29 11:52:59 duozhishidai 阅读数 3877
  • 计算机视觉技术之人脸识别实战

    计算机视觉是一门研究如何使机器通过“看”去理解世界的学科,是目前深度学习领域最热门的研究领域之一。具体来说我们可以通过相机与计算单元的结合,在一定场景下机器视觉系统代替人眼对目标进行识别、跟踪和测量等工作。本门课程将带领大家深入浅出计算机视觉技术的核心,了解视觉领域项目和落地情况。为更多有志加入深度学习-计算机视觉领域的IT人员搭建有力的通道,建立坚实的基础。

    1090 人正在学习 去看看 CSDN就业班

人工智能受益于神经网络和深度学习在算法上的突破,技术水平得到飞跃提升。未来,计算机视觉、机器学习、自然语言处理、机器人技术、语音识别等人工智能技术或将给整个人类社会带来巨大改变。

语音识别与自然语言处理应用

智能客服

整合全集团对外的客户服务通道,提供多模式融合(包括电话、网页在线、微信、短信及APP等)的在线智能客服;对内实现语音分析、客服助理等商业智能应用。为坐席提供一种辅助手段,帮助坐席快速解决客户问题。客服助理通过实时语音识别,实时语义理解,掌握客户需求,自动推送客户特征、知识库等内容。借助于微信公众号等平台,推出语音问答系统,打造个人金融助理形象。

语音数据挖掘

语音语义分析自动给出重点信息聚类,联想数据集合关联性,检索关键词,并汇总热词,发现最新的市场机遇和客户关注热点。同时,根据金融行业客服与客户的通话情况,可进行业务咨询热点问题梳理统计,由机器进行自动学习,梳理生成知识问答库,并作为后续机器自动回复客户问题的参考依据。

计算机视觉与生物特征识别应用

人像监控预警

利用网点和ATM摄像头,增加人像识别功能,提前识别可疑人员、提示可疑行为动作,识别VIP客户。

员工违规行为监控

利用网点柜台内部摄像头,增加员工可疑行为识别监控功能,记录并标记疑似交易,并提醒后台监控人员进一步分析,同时起到警示作用。

核心区域安全监控

在银行内部核心区域增加人像识别摄像头,人员进出必须通过人脸识别及证件一致方可进入,同时对于所有进出人员进行人像登记,防止陌生人尾随进出相关区域。如集中运营中心、数据中心机房等。

机器学习、神经网络应用与知识图谱

金融预测、反欺诈

大规模采用机器学习,导入海量金融交易数据,使用深度学习技术,从金融数据中自动发现模式,如分析信用卡数据,识别欺诈交易,并提前预测交易变化趋势,提前做出相应对策。基于机器学习技术构建金融知识图谱,基于大数据的风控需要把不同来源的数据(结构化,非结构)整合到一起,它可以检测数据当中的不一致性,分析企业的上下游、合作、竞争对手、子母公司、投资、对标等关系。

融资授信决策

通过数据筛选、建模和预测打分,并将不同的资产分类和做分别处理。比如:坏资产可直接标签为“司法诉讼”,并提醒相关人员进行诉讼流程。通过提取个人及企业在其主页、社交媒体等地方的数据,一来可以判断企业或其产品在社会中的影响力,比如观测App下载量,微博中提及产品的次数,对其产品的评价;此外将数据结构化后,也可推测投资的风险点。借助机器学习完成传统金融企业无法做到的放贷过程中对借款人还贷能力进行实时监控,从而及时对后续可能无法还贷的人进行事前的干预,以减少因坏账而带来的损失。

智能投顾

根据马科维茨的现代资产组合理论(MTP),结合个人客户的风险偏好和理财目标,利用人工智能算法和互联网技术为客户提供资产管理和在线投资建议服务,实现个人客户的批量投资顾问服务。

服务机器人技术应用

在机房、服务器等核心区域投放24小时巡检机器人,及时发现处理潜在风险,替代或辅助人工进行监控。在网点大堂尝试设置智慧机器人,赋予机器人拟人化,赋予其人类的形象和相应感情、动作。对网点客户进行业务咨询答疑、辅助分流,采集客户数据,开展大数据营销工作,完成查询、开卡、销卡等业务的辅助办理。

当前,人工智能技术在辅助人工、提高劳动生产率上发挥了积极作用,金融行业作为科技发展的重要应用和践行者,紧跟人工智能发展趋势,积极尝试在各领域的运用与验证,促进社会发展。
人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
1.人工智能时代,AI人才都有哪些特征?
http://www.duozhishidai.com/article-1792-1.html
2.大数据携手人工智能,高校人才培养面临新挑战
http://www.duozhishidai.com/article-7555-1.html
3.人工智能,机器学习和深度学习之间,主要有什么差异
http://www.duozhishidai.com/article-15858-1.html
4.大数据人工智能领域,如何从菜鸟晋级为大神
http://www.duozhishidai.com/article-1427-1.html


多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
没有更多推荐了,返回首页