詹姆斯·马丁,壳牌国际
壳牌国际公司Amjad Chaudry
机器学习和深度学习可用于自动化一系列任务。壳牌和先进的分析卓越中心(Aacoe)正在使用这些技术来加速过程,同时提高其可靠性。在地理学中,可以使用标记卫星图像的丰富训练数据集来改进地形分类。大(全景)植物图像中的自动标签检测也会导致更有效的维护。
James和Amjad将演示如何使用MATLAB®让这些技巧的使用变得简单。通过最小的设置,MATLAB并行服务器™允许团队在云中的多个远程gpu上训练网络。MATLAB Production Server™可以让团队创建一个瘦网络客户端,操作人员可以在现场使用,只需要最少的物理硬件,如智能手机。
Shell利用所有这些技术和工具,以便其工程师可以轻松而无痛地使用最新的调查结果。
记录时间:2018年10月3日
在过去四年左右的时间里,高级分析在我们的工作方式中扮演着越来越重要的角色。但今天,我想特别谈谈深度学习,以及如何,特别是在MATLAB中,利用一些深度学习工具来改善我们的创新管道。有趣的是,Rick的主题演讲提到了迁移学习和语义分割。这正是我今天要讲的一些例子。
当然,作为壳牌公司,我们总是要提出警告。所以我会把这个留给那些想阅读的人五秒钟左右。好啊
所以今天,我要如下构造我的谈话。我将简要介绍一下我们所包围的外壳和服务和产品的范围。s manbetx 845我还将谈论我们的创新和交付管道,我们如何尝试如何创新思想,特别是在先进的分析中,到最终产品被正确维护。s manbetx 845然后Matlab符合这一点。
然后我将讨论两个用例。正如我提到的,第一个是工业图像中的标签识别,然后是高光谱卫星图像中的地形识别。听起来很酷,所以我把它放在里面了。最后是下一步,我们将从那里得到我们已经得到的结果。
好的。这是我们业务总结幻灯片的最新体现。因此,我们是一家范围非常广泛的公司。我们的业务范围从我最初加入该公司开始,一直到上游勘探,试图识别碳氢化合物矿床。然后到开发,我们试着打井开采,然后再到more我们尝试、加工和提炼产品的下游活动,直至运输和贸易,然后将这些产品交付给各种最终用户,包括零售前院、航空和润滑油。s manbetx 845
如果我们重新保证信息,我们可以突出显示分析在组织内的那一刻的价值。而且 - 哦,这就是它 - 我真的要注意的是各种颜色的所有圆圈。因此,这些是积极的区域,分析在我们组织中发挥着主导作用。我们可能最终有很大的变化,对当前的工作流和工作方式产生了相当大的影响。蓝色的两个圆圈是我将进一步探索一下。
所以这是我们的黄色创新漏斗。我们有一系列横跨顶部的决策门,D0到D4。基本上我们试图从左边的左右取得的想法和概念。
在底部你可以看到两个重叠的三角形,我们有一个重叠的地方——我们从一个数字化团队,也就是我现在坐的地方,到IT部门。所以
我们尝试做的是在确定范围和创新阶段,我们参与其中。我们生产POC概念,最小可行产品,尝试并证明其价值。s manbetx 845然后逐渐引入IT,我们尝试全面部署解决方案和维护策略,这样我们就能完全交付业务价值。万博 尤文图斯
另一件我想提醒大家注意的事情是所有的点。所以,它是——把它看作是组织中想法数量的标准化指示。我想强调的是,我们完全可以在每个决策关口都有大量的搅动,所以这是关于确保你在组织中充分发挥作用。以及n在您完成任务的过程中,我们将您的资源集中在最具价值的解决方案上。万博 尤文图斯
MATLAB在哪里增加价值?这是一个非常快的原型。我们与MathWorks Consulting签订了积极的协议,我们利用该协议提高生产力。
我们希望在Matlab内维护有一系列大量的示例。由于MathWorks融入了一些深入学习技术的巨大焦点,因此,在去年,我们能够利用该空间中的一些最新发展,同时也能够访问这个有利的积压模块。我们真的喜欢Web应用程序交付,所以我们绕过了很多关于安装Matlab版本的问题,以获得我们的一些软件运行。
这里我们有两个我们制作的网络应用的例子。右上角是一个沥青测试的web应用程序。在左下角,你还可以看到我稍后将讨论的内容的预览,即作为web应用程序的地形分类。
我们还对MDC进行了一些实验,因此使用了MATLAB分布式计算服务器。因此,这使我们能够利用云上相当强大的GPU。我们主要用它来训练我们的一些深度学习模型。
因此,在今年,我们在壳牌和matlab之间拥有了很少的里程碑。我们现在终于过去了 - 因为贝壳有时有一些管理员,那么获得不同部分业务的许可证是很难的。所以现在我们有一个企业范围的交易。因此,这意味着任何聪明的人,无论他们从中来自组织,都可以在理论上迅速获得Matlab的效率。
我们有了第二个MPS许可证。正如我所说的,我认为MDC将成为一个越来越重要的功能。我们正在考虑将其与我们的战略更加一致。
MathWorks咨询公司,正如我所说,非常有效地利用了我们的时间。然后我们现在也希望利用我们在班加罗尔的一些资源,让我们能够夜以继日地推进项目。
好啊这是第一个例子。这是标签识别。所以你能在背景中看到的是一件工业设备。我想是个水泵。
但在下面,我想提请你们注意的是那个标签,那个标签。标签上有SAP代码。我们有这些图片,它们都是地理标记的,都是在工业环境中。我们要做的是提取标签,对其进行OCR,然后将其链接到我们的SAP系统,因为我们可以从SAP系统中提取大量元数据。
因此,我们采取的初始方法是使用区域卷积神经网络的R-CNN。所以我们拍摄图像。然后,由于图像非常大,我们需要从图像中提取第一一系列区域提案,然后将其馈入CNN适当。
在我们的例子中,我们用。我想Rick讲过AlexNet的例子。所以我们改用vgd16网络,然后为了我们的目的,我们在最后三层进行了迁移学习。一开始我们有两个类问题。我们只知道有没有标签。
这是一些图像的样子。想想几乎谷歌街景。所以在那里,你可以看到它几乎就像它被用鱼眼镜镜头拍摄了。因此,首先,我们需要对图像的图像应用失真校正,该图像是在Matlab内完成的。然后想到 - 这几乎就像你站在一个盒子里面,然后你有六个面孔望出去。
我们把顶部和底部的凸出部分去掉,只保留前面的水平凸出部分。然后我们将其输入到算法的区域提取部分。在本例中,我们稍微修改了它,并使用了Pdollar EdgeBox方法。但重要的是你可以看到这些区域很好地提取了可能有标签的区域。
好啊然后通过有线电视新闻网进行报道。所以现在我们只是讨论一下这个的训练。
因此,尽管通过培训,您不需要太多的培训数据,但是,我们在尝试设置足够的培训数据以稳定地执行此操作时仍然存在一些问题。所以我们把标签的定义扩展到了符号。因此,我们还包括了符号,然后进行了数据扩充,以进一步增加数据集,从而提供足够的数据,为您提供稳定的结果。
在右侧,您可以在培训激活后查看。因此,这是在分类之前网络最初关注的地方的良好指示。因此,非常奇怪的图像正在告诉你它基本上专注于紫色修补程序。然后这是算法的输出。
因此,您可以看到内部场景和外部场景,以及不同的照明条件。你得到的是一个包围着它认为是符号的边界框——对不起——什么是符号和标签以及相关的概率。
对于你们当中敏锐的目光,你可能会注意到其中有很多误报。我们要做的是拿出所有可能的选项,然后我们依靠OCR在上面过滤掉很多误报。
好啊所以我刚才向您展示了用于识别工业图像中标签的转移学习,然后在上面运行OCR来提取SAP代码。就运行时间而言,只是给你一个想法,每个图像大约需要3到4分钟。现在在这个特定的用例中,我们可以用它来管理,这很好,但是很明显,如果你想要实时反馈,那是不会发生的。
然而,如果您想沿着实时路线走下去,有一些技术可以显著地提高速度。例如,快速的r - cnn,它的速度可以提高大约100倍。
我们也在考虑在MDC上增加更多的GPU,大型GPU,以提高图像的分辨率。接下来,我想,很酷的事情是,一旦我们将其连接到SAP系统,我们如何将这些信息带回,比如说,带着增强现实护目镜在网站上走动的人?我们如何将这些信息可视化?这可能是我们的一些客户感兴趣的一个非常令人兴奋的领域。
因此,我们使用的数据来自欧洲工业网站,现在我们从特别是亚洲业务部门获得了很多兴趣。所以我们将继续使用这些活动。
好啊下一个例子是高光谱卫星数据中的地形识别。所以,请快速描述一下为什么这个问题值得解决,为什么我们要麻烦。
因此,在上游,在勘探中,地震数据是我们拥有的最重要的技术之一,以便在地下寻找地下。例如,在底部这个未指明的中东地区,你可以看到它的广阔,对吗?而且获取数据的成本非常高,因此将能量注入地面并接收数据的成本非常高。因此,根据调查,我们每年谈论数千万。这是非常高的成本。
地形类型,平滑与粗糙,例如,会影响高达50%的成本。因此,在我们的语言中,他们有一个非常理想的情况来标记数据,但在他们的语言中,这是一个非常低效的系统。所以他们花钱请了一个高度专业,高薪的人来查看卫星图像,然后在崎岖的地形周围手工绘制多边形,他们认为崎岖的地形。
然后他们必须通过实地考察来证实这一点。所以必须有人飞到这片沙漠的特定区域,然后开着卡车到处跑。他们需要放下旗帜来确认这确实是崎岖的地形。这是在调查之前。
在我们的例子中,因为我们现在有很多训练数据,我们认为,对。也许我们可以用一些更计算机密集的东西来代替整个工作流程。所以我们决定尝试这种语义分割方法。
这是我们的数据。我们有三种图像,航空摄影,雷达,和深度表面模型,DSM图像。由于2017年B的限制,我们需要做三个渠道,但在这种情况下是可以的。
现在已经改进了2018年A和B.但是我们在此决定将其分为三个渠道以使图像着色,我们这样做了如下。我们缩小了航空摄影,把它放在红色的频道,在绿色,et克朗塔河中的雷达。然后您最终可以在右侧看到这些彩色图像。用于算法。
SegNet是什么?它通常用于自动驾驶汽车。想象左上角有一个道路场景,网络所做的是你把它传送过去,然后它基本上会把每个像素映射到一个类。
在上面的例子中,你有,人行道类,道路类,树类,等等。所以在我们的例子中,我们想要重新利用它,将它用于粗糙的地形或平滑的地形。这就是我们所做的。
目前我们实际上有一个30000个示例数据集,但我们仅在这项工作中使用了1000个示例。因此有很大的改进空间。与上面的图片相比,我们的网络结构稍微简单一些。
所以我们决定使用三个编码器和解码器部分。对于1000个测试例子的训练,在4g的GPU上,这是相当小的,大约8个小时的训练时间。
这就是结果。我已经从颜色中移除,并将其分解回原始图像。所以在顶部你可以看到,在左边,航空摄影,然后是雷达和DSM。然后在左边的底部,你可以看到人类,或者我们案例中的基本事实,然后是算法预测的结果。
在这两种情况下,你都可以看到,好的。因为它选择了我选择的数据的快照,所以性能非常好。目前,结果是定性的,而不是定量的,尽管我们将要致力于产生混淆矩阵和所有这些类型的东西。但是性能非常好。事实上,我们向终端客户展示了这一点,他们已经基本上认为性能优于现有的工作流。
我们允许客户通过web应用程序与数据进行交互,因此您可以在此处看到这一点。有了左边的图片,客户可以很容易地进入URL,上传各种图片以及他们想要查看的感兴趣区域。然后在推理步骤的右边,你可以浏览不同的输入和输出图像,覆盖基本事实,这样他们就可以了解结果的含义,以及他们满意和不满意的内容。
好啊因此,就下一步而言,这与最初的工作非常相似。因此,假设我们能从内部获得良好的资金,未来还有很多工作要做。所以我们要做的第一步就是参数调整。
我们将开始考虑从目前的位置增加训练数据量,即1000。我们还将添加更多的类。所以我们有一个设施类,一个城市类,我们想添加到数据中。您可以在右上方看到facilities类的示例。
该应用程序也是如此,我们只是很快——只花了两天时间就制作出了该web应用程序。因此,这就是与MathWorks Consulting进行适当合作的真正力量。我们希望在该web应用程序中添加更多功能,并提供客户所需的内容。
对于这个特别的例子,由于它的性能已经很好了,而且人们对它很兴奋,所以有些人担心它会如何影响现有的工作流。这也包括工作人员。所以这次我们试图dual-integration策略,我们都提供这项技术同时也技能提升员工,这样他们就可以了解工作流程,了解这项技术,然后还可能想出新的想法和更好的工作方式,然后我们可以想出。我们的一些中东公司,显然,对这项技术非常感兴趣。但我们现在也收到了一些东南亚业务部门的兴趣。
这对未来意味着什么呢?在壳牌,最重要的是了解总体规划以及如何融入总体规划。所以在我们的案例中,我们有这些数字主题。
所以我们现在要确保我们内部推广的方式与这些数字主题一致,我们已经确定了其中三个。利用云端的一切,使用MDCS进行高性能计算,然后进行高级分析。例如,基于智能应用程序的技术。
就2018年当前的优先事项而言,我们希望继续部署MPS和MDCS。现在我们已经证明了一些解决方案的技术方面,但我们现在需要看看证明业务价值方面。万博 尤文图斯所以,就像我说的,我们要看看地形识别的进一步进展,标签识别。
但不幸的是,有一件事我今天不能讲,也是在地震领域。因此,我们目前正在寻找非常复杂的学习技术,试图绘制地震数据,通过简单的卷积,从地下图像到储层分布,油气分布,油气属性分布。所以这是一个非常令人兴奋的领域,我们公司也有不少人在关注。
好的。这就是我要说的。我希望这是一次有趣的谈话。谢谢你!
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。