英特爾收購Movidius背后：為什么我們需要一款專門的CV處理芯片？

（Movidius Myriad 2，圖片來源：Movidius）

編者按：本文作者為英梅吉CEO朱郁叢，該公司推出了基于手機攝像頭的手勢交互產(chǎn)品Hand CV。

背景：科技界又迎來了一樁大額收購案，芯片巨頭英特爾收購了硅谷計算機視覺領(lǐng)域的初創(chuàng)公司 Movidius，該公司主要產(chǎn)品為低功耗視覺處理器：Myriad 系列 VPU。今年八月，Intel還以 3.5 億美元收購了主攻深度學(xué)習(xí)的公司 Nervana，這一筆收購能夠讓英特爾獲得深度學(xué)習(xí)的 IP 和具體產(chǎn)品，從而滿足 AI 開發(fā)及數(shù)據(jù)中心對芯片的強大需求。

要想解釋 Intel 為何會在短期內(nèi)有如此大動作，先來看一下 2016 年的 CVPR。

（CVPR 全稱為 International Conference on Computer Vision and Pattern Recognition，計算機視覺及模式識別大會。涵蓋的問題包括但不限于：物體識別與檢測、圖像高級語義理解、人臉、優(yōu)化方法、Correspondences求解、相機定位及三維地圖構(gòu)建(SLAM)。CVPR 是計算機視覺的最大的年度聚會，2016 年收到投稿 2,145 份,接受論文 643 篇，接收率 29.9%，與會人數(shù)達 3,600 人。）

在這場全球頂級的計算機視覺領(lǐng)域大會上，據(jù)不完全統(tǒng)計，大概有 70%以上的文章均與深度學(xué)習(xí)有關(guān)，在圖像分類、物體檢測、語義分割等領(lǐng)域,深度學(xué)習(xí)取得的效果已經(jīng)大幅領(lǐng)先傳統(tǒng)算法。據(jù)微軟亞洲研究院所述，即使是在 3D 視覺、底層圖像處理等傳統(tǒng)方法相對主流的領(lǐng)域也有不少學(xué)者給出了自己的基于深度學(xué)習(xí)的解決方案。

以手勢識別為例，傳統(tǒng)的識別方案大都基于顏色空間，如 RGB，HSV 及 YCrBr。但這些算法都無法排除類膚色物體及黑色皮膚對識別精度的干擾。也有些算法通過對手型輪廓特征進行提取從而完成識別，如 HoG+SVM 的分類識別方法，但仍然無法提高在暗光、逆光等條件下的識別精度。但借助深度學(xué)習(xí)，如通過 R-CNN 訓(xùn)練大量標(biāo)注后的手勢圖像數(shù)據(jù)，得到的模型在處理帶有復(fù)雜背景及暗光環(huán)境下的手勢識別問題時，比傳統(tǒng)方案的效果優(yōu)秀很多。

一方面深度學(xué)習(xí)可以給計算機視覺領(lǐng)域帶來空前的進步，但另一方面，該方法對硬件及數(shù)據(jù)的要求也是空前的。通過 R-CNN 網(wǎng)絡(luò)訓(xùn)練一組手勢，大概需要 10 萬張預(yù)先標(biāo)注好的圖片資源，同時，在學(xué)習(xí)圖像的過程中，它對 GPU 也有非常高的運算要求，訓(xùn)練時間也不容小覷。 即使已經(jīng)在高性能平臺得到了一個 R-CNN 或者 Faster R-CNN 的網(wǎng)絡(luò)模型，在某些低運算能力平臺(手機,平板)上運行識別算法時，也無法同時顧及到實時性和高識別率。比如，YOLO物體識別算法可以在高性能平臺達到 45 FPS，但其 mAP 只有 63.4 左右。而 mAP 更優(yōu)的 Faster R-CNN，卻只有 7 FPS。

目前，如果想在手機等 GPU 性能很低的設(shè)備上運行深度學(xué)習(xí)算法，挑戰(zhàn)還比較大，只有通過對算法的優(yōu)化，才能使其在目前主流的Android、iOS 平臺上運行。比如，在單目手勢識別領(lǐng)域,全球范圍內(nèi)可給出商用解決方案的有來自以色列的 eyesight，superbreality 公司及我們的 Hand CV，其中，Superbreality 公司的解決方案更多依賴于對手勢輪廓的識別，Hand CV 的解決方案則融合了顏色空間、輪廓及 YOLO 深度學(xué)習(xí)的方案。所以，通過機器學(xué)習(xí)來解決計算機視覺問題的思路已經(jīng)逐漸轉(zhuǎn)到了手機等移動平臺上來。

那么，既然深度學(xué)習(xí)對識別精度的提高如此明顯，就像當(dāng)年 iPhone 5s 加入了 M7 協(xié)處理器一樣，計算機視覺領(lǐng)域在一些移動設(shè)備上也需要有一塊專門的低功耗處理芯片。它不但可以分擔(dān) CPU 和 GPU 的任務(wù)，而且在處理深度學(xué)習(xí)的問題時更加高效，可以針對卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練特征從芯片級別進行優(yōu)化，從而促進基于深度學(xué)習(xí)的計算機視覺算法在移動設(shè)備上的普及。

就像背景描述里提到的，Intel 已經(jīng)在為這個方向布局：同時，上游芯片供應(yīng)商 NVIDIA 也在去年年底發(fā)布了 Jetson TX1 GPU 模塊，主要針對的也是人工智能市場。

（Jetson TX1 GPU 模塊包括一顆浮點運算達到 teraflop 級的、基于 Maxwell架構(gòu)的 256 核心 GPU，64 位 ARM A57 芯片組、4GB LPDDR4 RAM 內(nèi)存 (每秒帶寬速度達 25.6GB)、15GB 本地存儲模塊、802.11 2×2 ac Wi-fi解決方案以及 1Gb 以太網(wǎng)端口。同時還配備 Jetson Linux 軟件開發(fā)工具包。Jetson TX1 GPU 模塊的面積只有 50*87 毫米，僅一張信用卡大小。 雖然外形很迷你，Jetson TX1 GPU 性能卻不容小視。）

Jetson TX1 GPU 模塊的首批客戶包括微軟、亞馬遜、谷歌以及 IBM 等科技巨頭，它們將會在各自的無人機或者機器人設(shè)備搭載該模塊，從而流暢運行人工智能應(yīng)用。以下便演示了該芯片與深度學(xué)習(xí)結(jié)合的一款應(yīng)用產(chǎn)品：Kespry 無人機。

（Kespry 無人機：視頻）

計算機視覺領(lǐng)域原來一些看似不可逾越的鴻溝，被深度學(xué)習(xí)輕松踏過，而深度學(xué)習(xí)天生對運算性能要求高的弊端也必定會隨著硬件的成熟而解決。隨著 AI 技術(shù)的發(fā)展以及人們對之的重視，計算機視覺的應(yīng)用場景不再局限于工業(yè)，已經(jīng)慢慢走入大眾市場，如行車記錄儀的路牌、車道分析，基于手機的移動 VR 的手勢識別等等，這些功能的高質(zhì)量實現(xiàn)都需要在 CPU和 GPU 性能有限的情況下運行深度學(xué)習(xí)的算法，那么，一款專門的 CV 處理芯片對于整個芯片制造業(yè)都會是下一個綠洲，這也是為什么 Intel 會在短時期內(nèi)收購生產(chǎn)視覺處理器的Movidius 公司和深度學(xué)習(xí)公司 Nervana。同時，由于手機、平板、無人機等設(shè)備對功耗的敏感特性，就需要這塊專門處理 CV 內(nèi)容的芯片以低功耗運行。

所以，計算機視覺領(lǐng)域遇到的問題可以更好的被深度學(xué)習(xí)解決，而深度學(xué)習(xí)在移動平臺上運行的問題，最終將會被低功耗的 CV 處理芯片解決，真正的 AI 離我們越來越近了。 

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。