0
| 本文作者： 劉偉 | 2018-07-02 14:33 | 專題：2018 CCF-GAIR 全球人工智能與機器人峰會 |
雷鋒網(wǎng)按：2018 全球人工智能與機器人峰會（CCF-GAIR）在深圳召開，峰會由中國計算機學會（CCF）主辦，雷鋒網(wǎng)、香港中文大學（深圳）承辦，得到了寶安區(qū)政府的大力指導，是國內(nèi)人工智能和機器人學術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級交流盛會，旨在打造國內(nèi)人工智能領(lǐng)域最具實力的跨界交流合作平臺。
CCF-GAIR 2018 延續(xù)前兩屆的“頂尖”陣容，提供1個主會場和11個專場（仿生機器人，機器人行業(yè)應用，計算機視覺，智能安全，金融科技，智能駕駛，NLP，AI+，AI芯片，IoT，投資人）的豐富平臺，意欲給三界參會者從產(chǎn)學研多個維度，呈現(xiàn)出更富前瞻性與落地性相結(jié)合的會議內(nèi)容與現(xiàn)場體驗。
大會第二天的計算機視覺專場，香港科技大學教授，ICCV 2011主席，IEEE Fellow權(quán)龍教授作為開場嘉賓，發(fā)表題為“計算機視覺, 識別與三維重建”的精彩演講，點燃了現(xiàn)場氣氛。
權(quán)龍教授主要從三個方面進行闡述，分別是計算機視覺的基礎(chǔ)、計算機視覺的變遷與發(fā)展，以及計算機視覺最新的進展。
他談到，當下因為深度學習技術(shù)的發(fā)展，人工智能變得非常火熱，計算機視覺作為人工智能的一個領(lǐng)域，也變得異常火熱。
不過目前計算機視覺的研究和應用主要集中在“識別”，“識別”只是計算機視覺的一部分。如果要去做一些交互和感知，必須先恢復三維，所以在識別的基礎(chǔ)上，下一個層次必須走向“三維重建”。
針對這個領(lǐng)域，權(quán)龍教授和他的研究團隊已經(jīng)做了諸多的工作并取得了一定的成績，在 4 月份，他們拿下了兩個計算機視覺榜單的全球第一。
當然，目前在深度學習推動下的計算機視覺技術(shù)還有很多不足和挑戰(zhàn)，需要更多業(yè)內(nèi)研究者不斷去探索，特別是在卷積神經(jīng)網(wǎng)絡(luò)在高維度空間的理論理解與解釋。
以下是權(quán)龍教授的演講全文，雷鋒網(wǎng)做了不改變原意的整理與編輯：
感謝大會主辦方的邀請，今天我想跟大家分享計算機視覺中的識別和三維重建問題。
我今天的演講分為三部分：首先講一下計算機視覺的基礎(chǔ)，然后介紹它的變遷與發(fā)展，最后再談?wù)勊淖钚逻M展。
什么是人工智能和計算機視覺？人工智能的目的是讓計算機去看、去聽和去讀。圖像、語音和文字的理解，這三大部分基本構(gòu)成了我們現(xiàn)在的人工智能。而在人工智能的這些領(lǐng)域中，視覺又是核心。大家知道，視覺占人類所有感官輸入的80%，也是最困難的一部分感知。如果說人工智能是一場革命，那么它將發(fā)軔于計算機視覺，而非別的領(lǐng)域。
2012年是非常重要的一年，我在標題中稱之為“a year of no significance”。這一年看似平凡，卻發(fā)生了很多事情。2012年，在一個叫CVPR的計算機視覺頂級會議上發(fā)生了一件看似重要，但也不那么重要的事情。那就是一個叫ImageNet的比賽，它把圖像識別準確率從75%提高到了85%，引發(fā)了一系列（人工智能）熱浪。
再把時間回溯到1998年，當年有了卷積神經(jīng)網(wǎng)絡(luò)，它是今天所有卷積神經(jīng)網(wǎng)絡(luò)的鼻祖模型。它有幾個特點，首先它輸入的圖像比較小，只有32*32pixel；其次它沒有GPU，這正是它計算力比較弱的原因。
2012年，卷積神經(jīng)網(wǎng)絡(luò)復活，我們稱之為AlexNet。和上一階段相比，它的內(nèi)部結(jié)構(gòu)基本一模一樣，變化非常小，但輸入的尺寸不一樣。1998年的模型，輸入尺寸為32*32pixel，且只有一個通道。新的模型輸入尺寸已經(jīng)擴大到了224*224pixel，而且有三個通道。最關(guān)鍵的是里面有了GPU，它當時訓練時用了兩塊GPU。
從1998年到2012年，中間經(jīng)歷了10多年，卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)還是一樣的，那么它內(nèi)部發(fā)生了哪些變化？有兩點非常重要：一、英偉達研發(fā)了GPU，GPU最早是為游戲而不是人工智能誕生的；二、華人學者、斯坦福大學教授李飛飛創(chuàng)建了ImageNet，她把幾百萬張照片發(fā)到網(wǎng)絡(luò)上并發(fā)動群眾做了標注。
6年后的今天又發(fā)生了哪些變化呢？2012年訓練AlexNet模型需要使用兩塊GPU，花費6天時間；今天做同樣的事情只需要一塊DGX-2，十幾分鐘就能搞定。
再看看學術(shù)會議。CVPR以前是一個一般的學術(shù)會議，只有幾百人參與。今年，我們剛從鹽城湖回來，參會群眾規(guī)模已經(jīng)達到了6500人，基本實現(xiàn)了10倍增長。我們有幸將于2022年在新奧爾良組織這個會議。相信到時候?qū)⒂猩先f人參加，我們需要擔憂的是哪里能找到可容納這么多人的場地。
什么是計算機視覺？計算機視覺的本質(zhì)是對圖像進行理解。“理解”這個詞沒有準確的定義，事實上計算機無法做到“理解”，只能做到認知。計算機視覺的終極目的就是達到認知。我們研究計算機視覺的目的是得到視覺特征，有了視覺特征才能開展一系列的工作。
為什么視覺特征如此重要？在語音識別領(lǐng)域，語音的特征已經(jīng)定義得非常清晰——音素。但如果我們拿來一個圖像，問它最重要的視覺特征是什么，答案并不明確。大家知道圖像包含像素，但像素并不是真正的特征。像素只是一個數(shù)字化的載體，將圖像進行了數(shù)字化的表述。計算機視覺的終極目標就是尋找行之有效的視覺特征。
計算機視覺包含兩個基本應用——識別和重建。它們的英文單詞都以“re”做前綴，說明這是一個反向的問題。
我們簡單回顧一下計算機視覺的發(fā)展歷史。上世紀70/80年代，計算機視覺有了最初的發(fā)展。那個年代，基本所有的計算機視覺研究都以Marr的primal sketches為理論依據(jù)。它的可計算數(shù)學模型都是以edges為主的邊緣提取。有了edge之后，再把它高層化后的線段元做簡單的統(tǒng)計分類或者三維重建。Edge在數(shù)學上是很好定義的，我們定義了很多優(yōu)化準則后，這個研究方向就到頭了。
90年代到2000年，行業(yè)內(nèi)有一些變化，大家從edge回過頭來研究幾何問題。幾何就是三維重建，一維的edges不適合做計算。幾何最本質(zhì)的元素是點，它是二維的，更內(nèi)在。這推動了很多研究工作以點為基礎(chǔ)展開，對點做描述，也就是feature descriptors。這對推動計算機視覺發(fā)展產(chǎn)生了重要作用。
從識別方面來看，有了feature descriptors就可以把很多東西變成矢量的無序集合，然后再去做統(tǒng)計。當時最成功的是三維重建，所謂成功也只是把一些點從二維變成三維，沒有真正語義上的描述。這是1990-2000年間的發(fā)展。
2012年開始，我稱之為CNN時代。這時候視覺領(lǐng)域開始發(fā)生變化，從特征到識別算法基本都被CNN一統(tǒng)。CNN現(xiàn)在已經(jīng)很強大了，基本所有計算機視覺論文都會提到它。CNN的好處在于，它是端到端的，比較容易實現(xiàn)。
給大家講一個趣聞，90年代計算機視覺如日中天的時候，卷積神經(jīng)網(wǎng)絡(luò)還沉浸在痛苦中無人理睬。機器學習、計算機視覺和語音識別領(lǐng)域的人都忽視它。
2012年，AlexNet在重要會議上只能參加一些邊緣比賽，不能進入主會場。那個年代，如果你的論文中提到CNN，估計會直接被拒；但今天你的論文如果不提CNN，就非常難入圍。
今天計算機視覺中的識別技術(shù)基本是端到端的，從1998年的LeNet到2012年的AlexNet，再到2016年ResNet。目前ResNet已經(jīng)非常成熟，谷歌給出了開源標準ResNet50，只需要把數(shù)據(jù)丟進去訓練即可。
今天，如果你能清晰地定義問題，做好數(shù)據(jù)標定，這個問題基本就解決了。哪怕找一個高中生把它輸入Net也能得到非常好的結(jié)果。讓計算機學習圖片之后，再給它展示一張它之前沒見過的圖片，一般它也能識別出來，水平基本與人類一致，甚至高于人類。因為人類有時會不小心犯錯，但機器記憶或?qū)W會了之后便不會犯錯。這些成果都是基于深度神經(jīng)網(wǎng)絡(luò)取得的。
但也不能忘記，這種東西有很大的局限，它并不是真的很聰明，只是記住了很多樣本。你也可以說它很蠢，因為它根本不知道自己在做什么。一切取決于你的標準，如果你把一個東西標注成cat，它就認為這是一只貓，明天你再把它標注成dog，它就認為這是一條狗。所以它并沒有真正理解，只是在做簡單的統(tǒng)計分類。人類可以把狼和狗歸為同類，也可以把薩摩耶和白狼區(qū)分，這些都是主觀的，取決于我們?nèi)绾味x問題。我們?nèi)绾味x，機器就給出什么樣的答案，它本質(zhì)上沒有自己的認知。
卷積神經(jīng)網(wǎng)絡(luò)能夠識別圖像只是表象，我們應該回歸本質(zhì)——計算機視覺。計算機視覺是對視覺特征的尋求和探索。CNN本質(zhì)上是重新學習和定義了我們以前尋找的視覺特征。以前的視覺特征是手工定義的，維數(shù)不會太高，有幾十、幾百就已經(jīng)比較高了，畢竟人類能力有限。卷積神經(jīng)網(wǎng)絡(luò)學習的視覺特征維數(shù)更多，動輒上百萬，而且是有結(jié)構(gòu)的。
現(xiàn)在每個人都在研究識別，但識別只是計算機視覺的一部分。真正意義上的計算機視覺要超越識別，感知三維環(huán)境。我們活在三維空間里，要做到交互和感知，就必須將世界恢復到三維。所以，在識別的基礎(chǔ)上，計算機視覺下一步必須走向三維重建。
三維重建中包含深度、視差和重建三個概念，它們基本等價。使用哪個詞匯取決你處在哪個群體。
人類有兩只眼睛，通過兩只眼睛才能得到有深度的三維信息。當然，通過一只移動的眼睛，也可以獲得有深度的信息。
獲取深度信息的挑戰(zhàn)很大，它本質(zhì)上是一個三角測量問題。第一步需要將兩幅圖像或兩只眼睛感知到的東西進行匹配，也就是識別。這里的“識別”和前面有所不同，前面提到的是有標注情況下的識別，這里的“識別”是兩幅圖像之間的識別，沒有數(shù)據(jù)庫。它不僅要識別物體，還要識別每一個像素，所以對計算量要求非常高。
雙目視覺非常重要，哺乳動物都有雙目視覺，而且智商越高，雙目視線重疊的區(qū)域越大。馬的眼睛是往兩邊看的，這并不代表它沒有雙目視覺，只是雙目視線重疊的范圍比較小。魚也是如此。
由此可見，現(xiàn)代三維視覺是由三維重建所定義的。CNN誕生之前，它的主要動力源于幾何，因為它的定義相對清晰。
計算機視覺中的三維重建包含三大問題：一、位置。假如我給出一張照片，計算機視覺要知道這張照片是在什么位置拍的。二、多目。通過多目的視差獲取三維信息，識別每一個像素并進行匹配，進行三維重建。三、語義識別。完成幾何三維重建后，要對這個三維信息進行語義識別，這是重建的最終目的。
2012年之前，計算機視覺中的三維視覺已經(jīng)得到了顯著發(fā)展，那么新的深度學習對它有哪些啟發(fā)呢？三維視覺本質(zhì)上也是一個“識別”的問題，深度學習讓它在識別方面得到了強化。視覺中的特征非常重要，以前的幾何做法一般是用手工特征。CNN的重要之處不在于它能識別一只貓或一條狗，而在于它學會了很多視覺特征，我們可以拿這些特征做圖像之間的識別和匹配。
識別方面，現(xiàn)在我們面臨比過去更大的挑戰(zhàn)，因為現(xiàn)在的數(shù)據(jù)量比以前更多。以前是幾十幅、上百幅，現(xiàn)在動輒幾十萬、上百萬幅。這就涉及到計算機規(guī)模化的問題，規(guī)模化意味著分布式，這也是一個重要課題。
前面提到雙目和多目視覺，這個領(lǐng)域也有很多發(fā)展。以前是傳統(tǒng)的方法，現(xiàn)在所有stereo方法都可以重新回到卷積神經(jīng)網(wǎng)絡(luò)的框架下。它的卷積不是簡單的在圖像里，而是在更高維的視差空間進行的。這個領(lǐng)域發(fā)展得非常快。
下面宣傳下我們做的工作。我在科大的團隊創(chuàng)立了一家公司altizure，我認為我們的三維重建做的最出色。Altizure是一個公共云平臺，大家可以用手機或無人機拍照然后上傳，就可以自動得到一個三維模型。我們的終極目標是把世界上的所有東西全部三維復現(xiàn)。我們生活在三維的環(huán)境里，所以要把所有東西全部恢復到三維。
今天的世界是數(shù)據(jù)為王，我們通過這個開放平臺收集了很多數(shù)據(jù)，并進行標注。有了這樣一個平臺，今后的算法會越來越強大。
我們研究的領(lǐng)域現(xiàn)在每天都在發(fā)生變化。我們團隊今年4月份在兩個重要榜單上名列第一，一個是三維點云，另一個是場景識別。
深度學習浪潮下，計算機視覺面臨哪些機遇和挑戰(zhàn)？UCLA一位做統(tǒng)計的教授認為，現(xiàn)在的深度學習跟以前差不多，只是模擬了一個曲線或曲面，只是維度更高一些。另外一個學者Piekniewski也提出了質(zhì)疑。2012年時AlexNet有6000個參數(shù)，今天我們已經(jīng)可以學習比它多1000倍的參數(shù)，這是否意味著我們的能力提升了1000倍？其實不是，我們的改進仍然是非常邊緣的。
我的觀點是，毫無疑問，CNN是一個非常強大的工具，但關(guān)于它我們還有很多不清楚的地方。CNN處理的是非常高維的數(shù)據(jù)，以前幾十、幾百個維度就已經(jīng)高不可攀了，但今天是幾百萬、幾千萬個維度。高處不勝寒，即便研究數(shù)學的人也不太清楚中間發(fā)生了什么。這些還需要一段時間去理解。
再來說說“理解”這個詞，其實我們也不很清楚什么樣才叫做理解。如果要做到真正理解，就要對世界和環(huán)境進行有結(jié)構(gòu)、有邏輯的描述，但我們現(xiàn)在沒有任何結(jié)構(gòu)，完全是由數(shù)據(jù)帶動，只有輸入和輸出。
最后簡單總結(jié)一下。早在80年代人工智能就很火，我研究生第一志愿報的就是人工智能。當時并不理解人工智能是什么，后來才慢慢明白，世上本無人工智能，只有圖像識別、計算機視覺、語音識別、自然語言理解等一個個具體的問題。
我們必須肯定這些年來取得的成績，尤其硬件領(lǐng)域的發(fā)展非常可觀。GPU已經(jīng)在手機、電腦中普及，使得我們擁有非常強大的計算能力。以前相機是攝影師才有的，現(xiàn)在人手一臺手機，隨時隨地可以拍照。甚至還有了無人機，可以從天上拍照。
我們非常榮幸能在計算機視覺領(lǐng)域工作，這個領(lǐng)域發(fā)展很快，在中國大地上也很有前景。舉兩個例子：一、曠視在人臉和物的識別方面世界領(lǐng)先，類似的公司在中國還有很多；二、Altizure三維重建視覺平臺在全世界也是獨一無二的。
從廣義的人工智能來說，我不認為它有多大的發(fā)展，但我們也不能否認存在真正的進步。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
