深度學習與計算機視覺 看這一篇就夠了

　　人工智能是人類一個非常美好的夢想，跟星際漫游和長生不老一樣。我們想制造出一種機器，使得它跟人一樣具有一定的對外界事物感知能力，比如看見世界。

　　在上世紀50年代，數(shù)學家圖靈提出判斷機器是否具有人工智能的標準：圖靈測試。即把機器放在一個房間，人類測試員在另一個房間，人跟機器聊天，測試員事先不知道另一房間里是人還是機器 。經(jīng)過聊天，如果測試員不能確定跟他聊天的是人還是機器的話，那么圖靈測試就通過了，也就是說這個機器具有與人一樣的感知能力。

　　但是從圖靈測試提出來開始到本世紀初，50多年時間有無數(shù)科學家提出很多機器學習的算法，試圖讓計算機具有與人一樣的智力水平，但直到2006年深度學習算法的成功，才帶來了一絲解決的希望。

　　眾星捧月的深度學習

　　深度學習在很多學術領域，比非深度學習算法往往有20-30%成績的提高。很多大公司也逐漸開始出手投資這種算法，并成立自己的深度學習團隊，其中投入最大的就是谷歌，2008年6月披露了谷歌腦項目。2014年1月谷歌收購DeepMind，然后2016年3月其開發(fā)的Alphago算法在圍棋挑戰(zhàn)賽中，戰(zhàn)勝了韓國九段棋手李世石，證明深度學習設計出的算法可以戰(zhàn)勝這個世界上最強的選手。

　　在硬件方面，Nvidia最開始做顯示芯片，但從2006及2007年開始主推用GPU芯片進行通用計算，它特別適合深度學習中大量簡單重復的計算量。目前很多人選擇Nvidia的CUDA工具包進行深度學習軟件的開發(fā)。

　　微軟從2012年開始，利用深度學習進行機器翻譯和中文語音合成工作，其人工智能小娜背后就是一套自然語言處理和語音識別的數(shù)據(jù)算法。

　　百度在2013年宣布成立百度研究院，其中最重要的就是百度深度學習研究所，當時招募了著名科學家余凱博士。不過后來余凱離開百度，創(chuàng)立了另一家從事深度學習算法開發(fā)的公司地平線。

　　Facebook和Twitter也都各自進行了深度學習研究，其中前者攜手紐約大學教授Yann Lecun，建立了自己的深度學習算法實驗室;2015年10月，F(xiàn)acebook宣布開源其深度學習算法框架，即Torch框架。Twitter在2014年7月收購了Madbits，為用戶提供高精度的圖像檢索服務。

　　前深度學習時代的計算機視覺

　　互聯(lián)網(wǎng)巨頭看重深度學習當然不是為了學術，主要是它能帶來巨大的市場。那為什么在深度學習出來之前，傳統(tǒng)算法為什么沒有達到深度學習的精度?

　　在深度學習算法出來之前，對于視覺算法來說，大致可以分為以下5個步驟：特征感知，圖像預處理，特征提取，特征篩選，推理預測與識別。早期的機器學習中，占優(yōu)勢的統(tǒng)計機器學習群體中，對特征是不大關心的。

　　我認為，計算機視覺可以說是機器學習在視覺領域的應用，所以計算機視覺在采用這些機器學習方法的時候，不得不自己設計前面4個部分。

　　但對任何人來說這都是一個比較難的任務。傳統(tǒng)的計算機識別方法把特征提取和分類器設計分開來做，然后在應用時再合在一起，比如如果輸入是一個摩托車圖像的話，首先要有一個特征表達或者特征提取的過程，然后把表達出來的特征放到學習算法中進行分類的學習。

　　過去20年中出現(xiàn)了不少優(yōu)秀的特征算子，比如最著名的SIFT算子，即所謂的對尺度旋轉(zhuǎn)保持不變的算子。它被廣泛地應用在圖像比對，特別是所謂的structure from motion這些應用中，有一些成功的應用例子。另一個是HoG算子，它可以提取物體，比較魯棒的物體邊緣，在物體檢測中扮演著重要的角色。

　　這些算子還包括Textons，Spin image，RIFT和GLOH，都是在深度學習誕生之前或者深度學習真正的流行起來之前，占領視覺算法的主流。

　　幾個(半)成功例子

　　這些特征和一些特定的分類器組合取得了一些成功或半成功的例子，基本達到了商業(yè)化的要求但還沒有完全商業(yè)化。

　　一是八九十年代的指紋識別算法，它已經(jīng)非常成熟，一般是在指紋的圖案上面去尋找一些關鍵點，尋找具有特殊幾何特征的點，然后把兩個指紋的關鍵點進行比對，判斷是否匹配。

　　然后是2001年基于Haar的人臉檢測算法，在當時的硬件條件下已經(jīng)能夠達到實時人臉檢測，我們現(xiàn)在所有手機相機里的人臉檢測，都是基于它或者它的變種。

　　第三個是基于HoG特征的物體檢測，它和所對應的SVM分類器組合起來的就是著名的DPM算法。DPM算法在物體檢測上超過了所有的算法，取得了比較不錯的成績。

　　但這種成功例子太少了，因為手工設計特征需要大量的經(jīng)驗，需要你對這個領域和數(shù)據(jù)特別了解，然后設計出來特征還需要大量的調(diào)試工作。說白了就是需要一點運氣。

　　另一個難點在于，你不只需要手工設計特征，還要在此基礎上有一個比較合適的分類器算法。同時設計特征然后選擇一個分類器，這兩者合并達到最優(yōu)的效果，幾乎是不可能完成的任務。

　　仿生學角度看深度學習

　　如果不手動設計特征，不挑選分類器，有沒有別的方案呢?能不能同時學習特征和分類器?即輸入某一個模型的時候，輸入只是圖片，輸出就是它自己的標簽。比如輸入一個明星的頭像，出來的標簽就是一個50維的向量(如果要在50個人里識別的話)，其中對應明星的向量是1，其他的位置是0。

　　這種設定符合人類腦科學的研究成果。

　　1981年諾貝爾醫(yī)學生理學獎頒發(fā)給了David Hubel，一位神經(jīng)生物學家。他的主要研究成果是發(fā)現(xiàn)了視覺系統(tǒng)信息處理機制，證明大腦的可視皮層是分級的。他的貢獻主要有兩個，一是他認為人的視覺功能一個是抽象，一個是迭代。抽象就是把非常具體的形象的元素，即原始的光線像素等信息，抽象出來形成有意義的概念。這些有意義的概念又會往上迭代，變成更加抽象，人可以感知到的抽象概念。

　　像素是沒有抽象意義的，但人腦可以把這些像素連接成邊緣，邊緣相對像素來說就變成了比較抽象的概念;邊緣進而形成球形，球形然后到氣球，又是一個抽象的過程，大腦最終就知道看到的是一個氣球。

　　模擬人腦識別人臉，也是抽象迭代的過程，從最開始的像素到第二層的邊緣，再到人臉的部分，然后到整張人臉，是一個抽象迭代的過程。

　　再比如看到圖片中的摩托車，我們可能在腦子里就幾微秒的時間，但是經(jīng)過了大量的神經(jīng)元抽象迭代。對計算機來說最開始看到的根本也不是摩托車，而是RGB圖像三個通道上不同的數(shù)字。

　　所謂的特征或者視覺特征，就是把這些數(shù)值給綜合起來用統(tǒng)計或非統(tǒng)計的形式，把摩托車的部件或者整輛摩托車表現(xiàn)出來。深度學習的流行之前，大部分的設計圖像特征就是基于此，即把一個區(qū)域內(nèi)的像素級別的信息綜合表現(xiàn)出來，利于后面的分類學習。

　　如果要完全模擬人腦，我們也要模擬抽象和遞歸迭代的過程，把信息從最細瑣的像素級別，抽象到“種類”的概念，讓人能夠接受。

　　卷積的概念

　　計算機視覺里經(jīng)常使卷積神經(jīng)網(wǎng)絡，即CNN，是一種對人腦比較精準的模擬。

　　什么是卷積?卷積就是兩個函數(shù)之間的相互關系，然后得出一個新的值，他是在連續(xù)空間做積分計算，然后在離散空間內(nèi)求和的過程。實際上在計算機視覺里面，可以把卷積當做一個抽象的過程，就是把小區(qū)域內(nèi)的信息統(tǒng)計抽象出來。

　　比如，對于一張愛因斯坦的照片，我可以學習n個不同的卷積和函數(shù)，然后對這個區(qū)域進行統(tǒng)計。可以用不同的方法統(tǒng)計，比如著重統(tǒng)計中央，也可以著重統(tǒng)計周圍，這就導致統(tǒng)計的和函數(shù)的種類多種多樣，為了達到可以同時學習多個統(tǒng)計的累積和。

　　上圖中是，如何從輸入圖像怎么到最后的卷積，生成的響應map。首先用學習好的卷積和對圖像進行掃描，然后每一個卷積和會生成一個掃描的響應圖，我們叫response map，或者叫feature map。如果有多個卷積和，就有多個feature map。也就說從一個最開始的輸入圖像(RGB三個通道)可以得到256個通道的feature map，因為有256個卷積和，每個卷積和代表一種統(tǒng)計抽象的方式。

　　在卷積神經(jīng)網(wǎng)絡中，除了卷積層，還有一種叫池化的操作。池化操作在統(tǒng)計上的概念更明確，就是一個對一個小區(qū)域內(nèi)求平均值或者求最大值的統(tǒng)計操作。

　　帶來的結(jié)果是，如果之前我輸入有兩個通道的，或者256通道的卷積的響應feature map，每一個feature map都經(jīng)過一個求最大的一個池化層，會得到一個比原來feature map更小的256的feature map。

　　在上面這個例子里，池化層對每一個2X2的區(qū)域求最大值，然后把最大值賦給生成的feature map的對應位置。如果輸入圖像是100×100的話，那輸出圖像就會變成50×50，feature map變成了一半。同時保留的信息是原來2X2區(qū)域里面最大的信息。

　　操作的實例：LeNet網(wǎng)絡

　　Le顧名思義就是指人工智能領域的大牛Lecun。這個網(wǎng)絡是深度學習網(wǎng)絡的最初原型，因為之前的網(wǎng)絡都比較淺，它較深的。LeNet在98年就發(fā)明出來了，當時Lecun在AT&T的實驗室，他用這一網(wǎng)絡進行字母識別，達到了非常好的效果。

　　怎么構(gòu)成呢?輸入圖像是32×32的灰度圖，第一層經(jīng)過了一組卷積和，生成了6個28X28的feature map，然后經(jīng)過一個池化層，得到得到6個14X14的feature map，然后再經(jīng)過一個卷積層，生成了16個10X10的卷積層，再經(jīng)過池化層生成16個5×5的feature map。

　　從最后16個5X5的feature map開始，經(jīng)過了3個全連接層，達到最后的輸出，輸出就是標簽空間的輸出。由于設計的是只要對0到9進行識別，所以輸出空間是10，如果要對10個數(shù)字再加上26個大小字母進行識別的話，輸出空間就是62。62維向量里，如果某一個維度上的值最大，它對應的那個字母和數(shù)字就是就是預測結(jié)果。

　　壓在駱駝身上的最后一根稻草

　　從98年到本世紀初，深度學習興盛起來用了15年，但當時成果泛善可陳，一度被邊緣化。到2012年，深度學習算法在部分領域取得不錯的成績，而壓在駱駝身上最后一根稻草就是AlexNet。

　　AlexNet由多倫多大學幾個科學家開發(fā)，在ImageNet比賽上做到了非常好的效果。當時AlexNet識別效果超過了所有淺層的方法。此后，大家認識到深度學習的時代終于來了，并有人用它做其它的應用，同時也有些人開始開發(fā)新的網(wǎng)絡結(jié)構(gòu)。

　　其實AlexNet的結(jié)構(gòu)也很簡單，只是LeNet的放大版。輸入是一個224X224的圖片，是經(jīng)過了若干個卷積層，若干個池化層，最后連接了兩個全連接層，達到了最后的標簽空間。

　　去年，有些人研究出來怎么樣可視化深度學習出來的特征。那么，AlexNet學習出的特征是什么樣子?在第一層，都是一些填充的塊狀物和邊界等特征;中間的層開始學習一些紋理特征;更高接近分類器的層級，則可以明顯看到的物體形狀的特征。

　　最后的一層，即分類層，完全是物體的不同的姿態(tài)，根據(jù)不同的物體展現(xiàn)出不同姿態(tài)的特征了。

　　可以說，不論是對人臉，車輛，大象或椅子進行識別，最開始學到的東西都是邊緣，繼而就是物體的部分，然后在更高層層級才能抽象到物體的整體。整個卷積神經(jīng)網(wǎng)絡在模擬人的抽象和迭代的過程。

　　為什么時隔20年卷土重來?

　　我們不禁要問：似乎卷積神經(jīng)網(wǎng)絡設計也不是很復雜，98年就已經(jīng)有一個比較像樣的雛形了。自由換算法和理論證明也沒有太多進展。那為什么時隔20年，卷積神經(jīng)網(wǎng)絡才能卷土重來，占領主流?

　　這一問題與卷積神經(jīng)網(wǎng)絡本身的技術關系不太大，我個人認為與其他一些客觀因素有關。

　　首先，卷積神經(jīng)網(wǎng)絡的深度太淺的話，識別能力往往不如一般的淺層模型，比如SVM或者boosting。但如果做得很深，就需要大量數(shù)據(jù)進行訓練，否則機器學習中的過擬合將不可避免。而2006及2007年開始，正好是互聯(lián)網(wǎng)開始大量產(chǎn)生各種各樣的圖片數(shù)據(jù)的時候。

　　另外一個條件是運算能力。卷積神經(jīng)網(wǎng)絡對計算機的運算要求比較高，需要大量重復可并行化的計算，在當時CPU只有單核且運算能力比較低的情況下，不可能進行個很深的卷積神經(jīng)網(wǎng)絡的訓練。隨著GPU計算能力的增長，卷積神經(jīng)網(wǎng)絡結(jié)合大數(shù)據(jù)的訓練才成為可能。

　　最后一點就是人和。卷積神經(jīng)網(wǎng)絡有一批一直在堅持的科學家(如Lecun)才沒有被沉默，才沒有被海量的淺層方法淹沒。然后最后終于看到卷積神經(jīng)網(wǎng)絡占領主流的曙光。

　　深度學習在視覺上的應用

　　計算機視覺中比較成功的深度學習的應用，包括人臉識別，圖像問答，物體檢測，物體跟蹤。

　　人臉識別

　　這里說人臉識別中的人臉比對，即得到一張人臉，與數(shù)據(jù)庫里的人臉進行比對;或同時給兩張人臉，判斷是不是同一個人。

　　這方面比較超前的是湯曉鷗教授，他們提出的DeepID算法在LWF上做得比較好。他們也是用卷積神經(jīng)網(wǎng)絡，但在做比對時，兩張人臉分別提取了不同位置特征，然后再進行互相比對，得到最后的比對結(jié)果。最新的DeepID-3算法，在LWF達到了99.53%準確度，與肉眼識別結(jié)果相差無幾。

　　圖片問答問題

　　這是2014年左右興起的課題，即給張圖片同時問個問題，然后讓計算機回答。比如有一個辦公室靠海的圖片，然后問“桌子后面有什么”，神經(jīng)網(wǎng)絡輸出應該是“椅子和窗戶”。

　　這一應用引入了LSTM網(wǎng)絡，這是一個專門設計出來具有一定記憶能力的神經(jīng)單元。特點是，會把某一個時刻的輸出當作下一個時刻的輸入。可以認為它比較適合語言等，有時間序列關系的場景。因為我們在讀一篇文章和句子的時候，對句子后面的理解是基于前面對詞語的記憶。

　　圖像問答問題是基于卷積神經(jīng)網(wǎng)絡和LSTM單元的結(jié)合，來實現(xiàn)圖像問答。LSTM輸出就應該是想要的答案，而輸入的就是上一個時刻的輸入，以及圖像的特征，及問句的每個詞語。

　　物體檢測問題

　　Region CNN

　　深度學習在物體檢測方面也取得了非常好的成果。2014年的Region CNN算法，基本思想是首先用一個非深度的方法，在圖像中提取可能是物體的圖形塊，然后深度學習算法根據(jù)這些圖像塊，判斷屬性和一個具體物體的位置。

　　為什么要用非深度的方法先提取可能的圖像塊?因為在做物體檢測的時候，如果你用掃描窗的方法進行物體監(jiān)測，要考慮到掃描窗大小的不一樣，長寬比和位置不一樣，如果每一個圖像塊都要過一遍深度網(wǎng)絡的話，這種時間是你無法接受的。

　　所以用了一個折中的方法，叫Selective Search。先把完全不可能是物體的圖像塊去除，只剩2000左右的圖像塊放到深度網(wǎng)絡里面判斷。那么取得的成績是AP是58.5，比以往幾乎翻了一倍。有一點不盡如人意的是，region CNN的速度非常慢，需要10到45秒處理一張圖片。

　　Faster R-CNN方法

　　而且我在去年NIPS上，我們看到的有Faster R-CNN方法，一個超級加速版R-CNN方法。它的速度達到了每秒七幀，即一秒鐘可以處理七張圖片。技巧在于，不是用圖像塊來判斷是物體還是背景，而把整張圖像一起扔進深度網(wǎng)絡里，讓深度網(wǎng)絡自行判斷哪里有物體，物體的方塊在哪里，種類是什么?

　　經(jīng)過深度網(wǎng)絡運算的次數(shù)從原來的2000次降到一次，速度大大提高了。

　　Faster R-CNN提出了讓深度學習自己生成可能的物體塊，再用同樣深度網(wǎng)絡來判斷物體塊是否是背景?同時進行分類，還要把邊界和給估計出來。

　　Faster R-CNN可以做到又快又好，在VOC2007上檢測AP達到73.2，速度也提高了兩三百倍。

　　YOLO

　　去年FACEBOOK提出來的YOLO網(wǎng)絡，也是進行物體檢測，最快達到每秒鐘155幀，達到了完全實時。它讓一整張圖像進入到神經(jīng)網(wǎng)絡，讓神經(jīng)網(wǎng)絡自己判斷這物體可能在哪里，可能是什么。但它縮減了可能圖像塊的個數(shù)，從原來Faster R-CNN的2000多個縮減縮減到了98個。

　　同時取消了Faster R-CNN里面的RPN結(jié)構(gòu)，代替Selective Search結(jié)構(gòu)。YOLO里面沒有RPN這一步，而是直接預測物體的種類和位置。

　　YOLO的代價就是精度下降，在155幀的速度下精度只有52.7，45幀每秒時的精度是63.4。

　　SSD

　　在arXiv上出現(xiàn)的最新算法叫Single Shot MultiBox Detector，即SSD。

　　它是YOLO的超級改進版，吸取了YOLO的精度下降的教訓，同時保留速度快的特點。它能達到58幀每秒，精度有72.1。速度超過Faster R-CNN 有8倍，但達到類似的精度。

　　物體跟蹤

　　所謂跟蹤，就是在視頻里面第一幀時鎖定感興趣的物體，讓計算機跟著走，不管怎么旋轉(zhuǎn)晃動，甚至躲在樹叢后面也要跟蹤。

　　深度學習對跟蹤問題有很顯著的效果。DeepTrack算法是我在澳大利亞信息科技研究院時和同事提出的，是第一在線用深度學習進行跟蹤的文章，當時超過了其它所有的淺層算法。

　　今年有越來越多深度學習跟蹤算法提出。去年十二月ICCV 2015上面，馬超提出的Hierarchical Convolutional Feature算法，在數(shù)據(jù)上達到最新的記錄。它不是在線更新一個深度學習網(wǎng)絡，而是用一個大網(wǎng)絡進行預訓練，然后讓大網(wǎng)絡知道什么是物體什么不是物體。

　　將大網(wǎng)絡放在跟蹤視頻上面，然后再分析網(wǎng)絡在視頻上產(chǎn)生的不同特征，用比較成熟的淺層跟蹤算法來進行跟蹤，這樣利用了深度學習特征學習比較好的好處，同時又利用了淺層方法速度較快的優(yōu)點。效果是每秒鐘10幀，同時精度破了記錄。

　　最新的跟蹤成果是基于Hierarchical Convolutional Feature，由一個韓國的科研組提出的MDnet。它集合了前面兩種深度算法的集大成，首先離線的時候有學習，學習的不是一般的物體檢測，也不是ImageNet，學習的是跟蹤視頻，然后在學習視頻結(jié)束后，在真正在使用網(wǎng)絡的時候更新網(wǎng)絡的一部分。這樣既在離線的時候得到了大量的訓練，在線的時候又能夠很靈活改變自己的網(wǎng)絡。

　　基于嵌入式系統(tǒng)的深度學習

　　回到ADAS問題(慧眼科技的主業(yè))，它完全可以用深度學習算法，但對硬件平臺有比較高的要求。在汽車上不太可能把一臺電腦放上去，因為功率是個問題，很難被市場所接受。

　　現(xiàn)在的深度學習計算主要是在云端進行，前端拍攝照片，傳給后端的云平臺處理。但對于ADAS而言，無法接受長時間的數(shù)據(jù)傳輸?shù)模蛟S發(fā)生事故后，云端的數(shù)據(jù)還沒傳回來。

　　那是否可以考慮NVIDIA推出的嵌入式平臺?NVIDIA推出的嵌入式平臺，其運算能力遠遠強過了所有主流的嵌入式平臺，運算能力接近主流的頂級CPU，如臺式機的i7。那么慧眼科技在做工作就是要使得深度學習算法，在嵌入式平臺有限的資源情況下能夠達到實時效果，而且精度幾乎沒有減少。

　　具體做法是，首先對網(wǎng)絡進行縮減，可能是對網(wǎng)絡的結(jié)構(gòu)縮減，由于識別場景不同，也要進行相應的功能性縮減;另外要用最快的深度檢測算法，結(jié)合最快的深度跟蹤算法，同時自己研發(fā)出一些場景分析算法。三者結(jié)合在一起，目的是減少運算量，減少檢測空間的大小。在這種情況下，在有限資源上實現(xiàn)了使用深度學習算法，但精度減少的非常少。