深度學(xué)習(xí)下的AI落地，計(jì)算機(jī)視覺是否一條好賽道

　　計(jì)算機(jī)視覺是目前AI在中國(guó)落地最順利的技術(shù)。從目前的落地進(jìn)展來看，移動(dòng)互聯(lián)網(wǎng)、安防、零售、物流、醫(yī)療、文娛、無人駕駛的商業(yè)化有待成熟。以曠視科技Face++、商湯科技、極鏈科技Video++為代表的AI頭部企業(yè)戰(zhàn)略，出現(xiàn)向平臺(tái)企業(yè)或軟硬一體化企業(yè)發(fā)展的分化趨勢(shì)，及零售等新領(lǐng)域快速崛起。

　　計(jì)算機(jī)視覺在中國(guó)AI市場(chǎng)組成部分占比巨大。根據(jù)中國(guó)信通院2018年2月發(fā)布的報(bào)告數(shù)據(jù)，2017年，中國(guó)人工智能市場(chǎng)中計(jì)算機(jī)視覺占比37%，以80億元的行業(yè)收入排名第一。

　　2018年信通院11月發(fā)布的《2018人工智能發(fā)展白皮書——技術(shù)篇》中以深度學(xué)習(xí)算法驅(qū)動(dòng)的人工智能技術(shù)為主，數(shù)據(jù)顯示，在全球人工智能產(chǎn)業(yè)蓬勃發(fā)展的今天，人工智能技術(shù)以機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)為核心，在視覺、語音、自然語言等應(yīng)用領(lǐng)域迅速發(fā)展，已經(jīng)開始滲入到各個(gè)行業(yè)。BBC預(yù)測(cè)，2020年全球人工智能市場(chǎng)規(guī)模約183億美元，年均增長(zhǎng)20%。在人工智能產(chǎn)業(yè)應(yīng)用上，從融資規(guī)模和市場(chǎng)結(jié)構(gòu)來看，中國(guó)AI企業(yè)更集中于視覺和語音方向。

　　目前，深度學(xué)習(xí)幾乎成了計(jì)算機(jī)視覺領(lǐng)域的標(biāo)配，也是當(dāng)下人工智能領(lǐng)域最熱門的研究方向。計(jì)算機(jī)視覺的應(yīng)用場(chǎng)景和深度學(xué)習(xí)背后的技術(shù)原理是什么呢?

　　深度學(xué)習(xí)背后的技術(shù)原理

　　機(jī)器學(xué)習(xí)

　　機(jī)器學(xué)習(xí)的本質(zhì)其實(shí)是為了找到一個(gè)函數(shù)，讓這個(gè)函數(shù)在不同的領(lǐng)域會(huì)發(fā)揮不同的作用。像語音識(shí)別領(lǐng)域，這個(gè)函數(shù)會(huì)把一段語音識(shí)別成一段文字;圖像識(shí)別的領(lǐng)域，這個(gè)函數(shù)會(huì)把一個(gè)圖像映射到一個(gè)分類;下圍棋的時(shí)候根據(jù)棋局和規(guī)則進(jìn)行博弈;對(duì)話，是根據(jù)當(dāng)前的對(duì)話生成下一段對(duì)話。機(jī)器學(xué)習(xí)離不開學(xué)習(xí)兩個(gè)字，根據(jù)不同的學(xué)習(xí)方式，可以分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種方式。

　　監(jiān)督學(xué)習(xí)中，算法和數(shù)據(jù)是模型的核心所在。在監(jiān)督學(xué)習(xí)中最關(guān)鍵的一點(diǎn)是，我們對(duì)訓(xùn)練的每個(gè)數(shù)據(jù)都要打上標(biāo)簽，然后通過把這些訓(xùn)練數(shù)據(jù)輸入到算法模型經(jīng)過反復(fù)訓(xùn)練以后，每經(jīng)過一次訓(xùn)練都會(huì)減少算法模型的預(yù)計(jì)輸出和標(biāo)簽數(shù)據(jù)的差距。

　　通過大量的訓(xùn)練，算法模型基本上穩(wěn)定下來以后，我們就可以把這個(gè)模型在測(cè)試數(shù)據(jù)集上驗(yàn)證模型的準(zhǔn)確性。這就是整個(gè)監(jiān)督學(xué)習(xí)的過程，監(jiān)督學(xué)習(xí)目前在圖片分類上應(yīng)用得比較多。

　　非監(jiān)督學(xué)習(xí)里跟監(jiān)督學(xué)習(xí)不同的地方是，非監(jiān)督學(xué)習(xí)不需要為所有的訓(xùn)練數(shù)據(jù)都打上標(biāo)簽。非監(jiān)督學(xué)習(xí)主要應(yīng)用在兩個(gè)大類，第一類是做聚類分析，聚類分析是把一組看似無序的數(shù)據(jù)進(jìn)行分類分組，以達(dá)到能夠更加更好理解的目的。

　　另外是做自動(dòng)編碼器，在數(shù)據(jù)分析的時(shí)候，原始數(shù)據(jù)量往往比較大，除了包含一些冗余的數(shù)據(jù)，還會(huì)包含一些對(duì)分析結(jié)果不重要的數(shù)據(jù)。自動(dòng)編碼器主要是對(duì)原始數(shù)據(jù)做降維操作，把冗余的數(shù)據(jù)去掉，提高后面數(shù)據(jù)分析的效率。

　　通過不同的學(xué)習(xí)方式獲取到數(shù)據(jù)后，算法是接下來非常重要的一環(huán)。算法之于計(jì)算機(jī)就像大腦對(duì)于我們?nèi)祟?，選擇一個(gè)好的算法也是特別重要的。

　　神經(jīng)網(wǎng)絡(luò)

　　神經(jīng)網(wǎng)絡(luò)是受人腦神經(jīng)元結(jié)構(gòu)的啟發(fā)，研究者認(rèn)為人腦所有的神經(jīng)元都是分層的，可以通過不同的層次學(xué)習(xí)不一樣的特征，由簡(jiǎn)單到復(fù)雜地模擬出各種特征。

　　上圖是計(jì)算機(jī)應(yīng)用數(shù)學(xué)的方式來模擬人腦中神經(jīng)元的示意圖。a1到ak是信號(hào)的輸入，神經(jīng)元會(huì)對(duì)輸入信號(hào)進(jìn)行兩次變換。第一部分是線性變換，因?yàn)樯窠?jīng)元會(huì)對(duì)自己感興趣的信號(hào)加一個(gè)權(quán)重;第二部分是非線性變換。

　　神經(jīng)網(wǎng)絡(luò)就是由許多的神經(jīng)元級(jí)聯(lián)而形成的，每一個(gè)神經(jīng)元都經(jīng)過線性變換和非線性變換，為什么會(huì)有非線性變換?從數(shù)學(xué)上看，沒有非線性變換，不管你神經(jīng)網(wǎng)絡(luò)層次有多深都等價(jià)于一個(gè)神經(jīng)元。如果沒有非線性變換，神經(jīng)網(wǎng)絡(luò)深度的概念就沒有什么意義了。

　　卷積神經(jīng)網(wǎng)絡(luò)

　　以上所講的都是一般的全連接神經(jīng)網(wǎng)絡(luò)，接下來進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)是專門針對(duì)圖片處理方面的神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)首先會(huì)輸入一張圖片，這張圖片有三個(gè)顏色通道的數(shù)據(jù)，這是輸入層。下面是卷積層，有一個(gè)卷積核的概念，每一個(gè)卷積核提取圖片的不同特征。

　　提取出來以后到池化層，就是把卷積層的數(shù)據(jù)規(guī)模縮小，減少數(shù)據(jù)的復(fù)雜度。卷積和池化連起來我們叫做一個(gè)隱層，一個(gè)卷積神經(jīng)網(wǎng)絡(luò)會(huì)包含很多個(gè)隱層，隱層之后是全連接層，全連接層的目的是把前面經(jīng)過多個(gè)卷積池化層的特征把數(shù)據(jù)平鋪開，形成特征向量，我們把特征向量輸入到分類器，對(duì)圖片進(jìn)行分類。

　　簡(jiǎn)單來說，卷積神經(jīng)網(wǎng)絡(luò)更適合計(jì)算機(jī)視覺主要有兩個(gè)原因，一是參數(shù)共享，另外一個(gè)是稀疏連接。

　　2015年基于深度學(xué)習(xí)的計(jì)算機(jī)視覺算法在ImageNet數(shù)據(jù)庫上的識(shí)別準(zhǔn)確率首次超過人類，同年Google在開源自己的深度學(xué)習(xí)算法。這些帶動(dòng)中美兩國(guó)的科學(xué)家把計(jì)算機(jī)視覺算法運(yùn)用到安防、金融、互聯(lián)網(wǎng)、物流、零售、醫(yī)療、文娛、制造業(yè)等不同垂直行業(yè)。但在實(shí)際的運(yùn)用當(dāng)中，由于數(shù)據(jù)可得性、算法成熟度、服務(wù)的容錯(cuò)率等因素的影響，落地的速度開始出現(xiàn)分化。其中，移動(dòng)互聯(lián)網(wǎng)、安防、醫(yī)療、無人駕駛等發(fā)展較慢。

　　技術(shù)發(fā)展趨勢(shì)

　　提高預(yù)測(cè)精度，降低數(shù)據(jù)標(biāo)注成本隨著技術(shù)的不斷發(fā)展，計(jì)算機(jī)視覺能夠識(shí)別信息的種類從最初的文字信息，到人臉，人的體態(tài)識(shí)別，以及各種不同的物體。

　　能夠識(shí)別的精度也從最初的人1：1比對(duì)，到用于門禁系統(tǒng)等1：N比對(duì)，以及用在黑名單監(jiān)控等場(chǎng)景的M：N動(dòng)態(tài)監(jiān)控。除了提高算法精度以外，提高數(shù)據(jù)標(biāo)注的效率也是計(jì)算機(jī)視覺公司重要的課題之一。

　　企業(yè)發(fā)展戰(zhàn)略開始分化，商湯向左，曠視向右，計(jì)算機(jī)視覺技術(shù)在中國(guó)的快速落地，吸引了以曠視科技Face++、商湯科技、極鏈科技Video++為代表的以算法為核心競(jìng)爭(zhēng)力的AI初創(chuàng)公司，擁有強(qiáng)大數(shù)據(jù)采集及軟件開發(fā)能力的互聯(lián)網(wǎng)公司，以及華為這樣的科技巨頭。經(jīng)過一年多的發(fā)展，各個(gè)公司都已經(jīng)根據(jù)自己資源的不同，戰(zhàn)略出現(xiàn)了分化。

　　各類公司初始時(shí)在產(chǎn)業(yè)環(huán)節(jié)中各有偏好，初創(chuàng)企業(yè)在算法與模型訓(xùn)練上占優(yōu)，互聯(lián)網(wǎng)企業(yè)則擁有天然的數(shù)據(jù)優(yōu)勢(shì)，安防企業(yè)則憑借極強(qiáng)的工程能力加速安防項(xiàng)目落地。

　　AI頭部初創(chuàng)企業(yè)近年來融資動(dòng)作頻繁，受到資本市場(chǎng)的青睞，在資金方面暫無瓶頸，然而面臨互聯(lián)網(wǎng)巨頭的挑戰(zhàn)，各大初創(chuàng)企業(yè)應(yīng)依托已有的獨(dú)立設(shè)計(jì)算法的能力，構(gòu)建平臺(tái)型解決方案，在研發(fā)能力與方案落地速度上取勝。