深度學(xué)習(xí)與計(jì)算機(jī)視覺 看這一篇就夠了

　　人工智能是人類一個(gè)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(jī)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(jì)50年代，數(shù)學(xué)家圖靈提出判斷機(jī)器是否具有人工智能的標(biāo)準(zhǔn)：圖靈測試。即把機(jī)器放在一個(gè)房間，人類測試員在另一個(gè)房間，人跟機(jī)器聊天，測試員事先不知道另一房間里是人還是機(jī)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(jī)器的話，那么圖靈測試就通過了，也就是說這個(gè)機(jī)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(jì)初，50多年時(shí)間有無數(shù)科學(xué)家提出很多機(jī)器學(xué)習(xí)的算法，試圖讓計(jì)算機(jī)具有與人一樣的智力水平，但直到2006年深度學(xué)習(xí)算法的成功，才帶來了一絲解決的希望。

　　眾星捧月的深度學(xué)習(xí)

　　深度學(xué)習(xí)在很多學(xué)術(shù)領(lǐng)域，比非深度學(xué)習(xí)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(xué)習(xí)團(tuán)隊(duì)，其中投入最大的就是谷歌，2008年6月披露了谷歌腦項(xiàng)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(xué)習(xí)設(shè)計(jì)出的算法可以戰(zhàn)勝這個(gè)世界上最強(qiáng)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(jìn)行通用計(jì)算，它特別適合深度學(xué)習(xí)中大量簡單重復(fù)的計(jì)算量。目前很多人選擇Nvidia的CUDA工具包進(jìn)行深度學(xué)習(xí)軟件的開發(fā)。

　　微軟從2012年開始，利用深度學(xué)習(xí)進(jìn)行機(jī)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(shí)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(xué)習(xí)研究所，當(dāng)時(shí)招募了著名科學(xué)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(xué)習(xí)算法開發(fā)的公司地平線。

　　Facebook和Twitter也都各自進(jìn)行了深度學(xué)習(xí)研究，其中前者攜手紐約大學(xué)教授Yann Lecun，建立了自己的深度學(xué)習(xí)算法實(shí)驗(yàn)室;2015年10月，F(xiàn)acebook宣布開源其深度學(xué)習(xí)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(wù)。

　　前深度學(xué)習(xí)時(shí)代的計(jì)算機(jī)視覺

　　互聯(lián)網(wǎng)巨頭看重深度學(xué)習(xí)當(dāng)然不是為了學(xué)術(shù)，主要是它能帶來巨大的市場。那為什么在深度學(xué)習(xí)出來之前，傳統(tǒng)算法為什么沒有達(dá)到深度學(xué)習(xí)的精度?

　　在深度學(xué)習(xí)算法出來之前，對于視覺算法來說，大致可以分為以下5個(gè)步驟：特征感知，圖像預(yù)處理，特征提取，特征篩選，推理預(yù)測與識(shí)別。早期的機(jī)器學(xué)習(xí)中，占優(yōu)勢的統(tǒng)計(jì)機(jī)器學(xué)習(xí)群體中，對特征是不大關(guān)心的。

　　我認(rèn)為，計(jì)算機(jī)視覺可以說是機(jī)器學(xué)習(xí)在視覺領(lǐng)域的應(yīng)用，所以計(jì)算機(jī)視覺在采用這些機(jī)器學(xué)習(xí)方法的時(shí)候，不得不自己設(shè)計(jì)前面4個(gè)部分。

　　但對任何人來說這都是一個(gè)比較難的任務(wù)。傳統(tǒng)的計(jì)算機(jī)識(shí)別方法把特征提取和分類器設(shè)計(jì)分開來做，然后在應(yīng)用時(shí)再合在一起，比如如果輸入是一個(gè)摩托車圖像的話，首先要有一個(gè)特征表達(dá)或者特征提取的過程，然后把表達(dá)出來的特征放到學(xué)習(xí)算法中進(jìn)行分類的學(xué)習(xí)。

　　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(yīng)用在圖像比對，特別是所謂的structure from motion這些應(yīng)用中，有一些成功的應(yīng)用例子。另一個(gè)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(xué)習(xí)誕生之前或者深度學(xué)習(xí)真正的流行起來之前，占領(lǐng)視覺算法的主流。

　　幾個(gè)(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(dá)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(shí)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(guān)鍵點(diǎn)，尋找具有特殊幾何特征的點(diǎn)，然后把兩個(gè)指紋的關(guān)鍵點(diǎn)進(jìn)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(dāng)時(shí)的硬件條件下已經(jīng)能夠達(dá)到實(shí)時(shí)人臉檢測，我們現(xiàn)在所有手機(jī)相機(jī)里的人臉檢測，都是基于它或者它的變種。

　　第三個(gè)是基于HoG特征的物體檢測，它和所對應(yīng)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(cuò)的成績。

　　但這種成功例子太少了，因?yàn)槭止ぴO(shè)計(jì)特征需要大量的經(jīng)驗(yàn)，需要你對這個(gè)領(lǐng)域和數(shù)據(jù)特別了解，然后設(shè)計(jì)出來特征還需要大量的調(diào)試工作。說白了就是需要一點(diǎn)運(yùn)氣。

　　另一個(gè)難點(diǎn)在于，你不只需要手工設(shè)計(jì)特征，還要在此基礎(chǔ)上有一個(gè)比較合適的分類器算法。同時(shí)設(shè)計(jì)特征然后選擇一個(gè)分類器，這兩者合并達(dá)到最優(yōu)的效果，幾乎是不可能完成的任務(wù)。

　　仿生學(xué)角度看深度學(xué)習(xí)

　　如果不手動(dòng)設(shè)計(jì)特征，不挑選分類器，有沒有別的方案呢?能不能同時(shí)學(xué)習(xí)特征和分類器?即輸入某一個(gè)模型的時(shí)候，輸入只是圖片，輸出就是它自己的標(biāo)簽。比如輸入一個(gè)明星的頭像，出來的標(biāo)簽就是一個(gè)50維的向量(如果要在50個(gè)人里識(shí)別的話)，其中對應(yīng)明星的向量是1，其他的位置是0。

　　這種設(shè)定符合人類腦科學(xué)的研究成果。

　　1981年諾貝爾醫(yī)學(xué)生理學(xué)獎(jiǎng)?lì)C發(fā)給了David Hubel，一位神經(jīng)生物學(xué)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(jī)制，證明大腦的可視皮層是分級(jí)的。他的貢獻(xiàn)主要有兩個(gè)，一是他認(rèn)為人的視覺功能一個(gè)是抽象，一個(gè)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(huì)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(jìn)而形成球形，球形然后到氣球，又是一個(gè)抽象的過程，大腦最終就知道看到的是一個(gè)氣球。

　　模擬人腦識(shí)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(gè)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(shí)間，但是經(jīng)過了大量的神經(jīng)元抽象迭代。對計(jì)算機(jī)來說最開始看到的根本也不是摩托車，而是RGB圖像三個(gè)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(jì)或非統(tǒng)計(jì)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(xué)習(xí)的流行之前，大部分的設(shè)計(jì)圖像特征就是基于此，即把一個(gè)區(qū)域內(nèi)的像素級(jí)別的信息綜合表現(xiàn)出來，利于后面的分類學(xué)習(xí)。

　　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(xì)瑣的像素級(jí)別，抽象到“種類”的概念，讓人能夠接受。

　　卷積的概念

　　計(jì)算機(jī)視覺里經(jīng)常使卷積神經(jīng)網(wǎng)絡(luò)，即CNN，是一種對人腦比較精準(zhǔn)的模擬。

　　什么是卷積?卷積就是兩個(gè)函數(shù)之間的相互關(guān)系，然后得出一個(gè)新的值，他是在連續(xù)空間做積分計(jì)算，然后在離散空間內(nèi)求和的過程。實(shí)際上在計(jì)算機(jī)視覺里面，可以把卷積當(dāng)做一個(gè)抽象的過程，就是把小區(qū)域內(nèi)的信息統(tǒng)計(jì)抽象出來。

　　比如，對于一張愛因斯坦的照片，我可以學(xué)習(xí)n個(gè)不同的卷積和函數(shù)，然后對這個(gè)區(qū)域進(jìn)行統(tǒng)計(jì)?？梢杂貌煌姆椒ńy(tǒng)計(jì)，比如著重統(tǒng)計(jì)中央，也可以著重統(tǒng)計(jì)周圍，這就導(dǎo)致統(tǒng)計(jì)的和函數(shù)的種類多種多樣，為了達(dá)到可以同時(shí)學(xué)習(xí)多個(gè)統(tǒng)計(jì)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(yīng)map。首先用學(xué)習(xí)好的卷積和對圖像進(jìn)行掃描，然后每一個(gè)卷積和會(huì)生成一個(gè)掃描的響應(yīng)圖，我們叫response map，或者叫feature map。如果有多個(gè)卷積和，就有多個(gè)feature map。也就說從一個(gè)最開始的輸入圖像(RGB三個(gè)通道)可以得到256個(gè)通道的feature map，因?yàn)橛?56個(gè)卷積和，每個(gè)卷積和代表一種統(tǒng)計(jì)抽象的方式。

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

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

　　在上面這個(gè)例子里，池化層對每一個(gè)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(yīng)位置。如果輸入圖像是100×100的話，那輸出圖像就會(huì)變成50×50，feature map變成了一半。同時(shí)保留的信息是原來2X2區(qū)域里面最大的信息。

　　操作的實(shí)例：LeNet網(wǎng)絡(luò)

　　Le顧名思義就是指人工智能領(lǐng)域的大牛Lecun。這個(gè)網(wǎng)絡(luò)是深度學(xué)習(xí)網(wǎng)絡(luò)的最初原型，因?yàn)橹暗木W(wǎng)絡(luò)都比較淺，它較深的。LeNet在98年就發(fā)明出來了，當(dāng)時(shí)Lecun在AT&T的實(shí)驗(yàn)室，他用這一網(wǎng)絡(luò)進(jìn)行字母識(shí)別，達(dá)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(gè)28X28的feature map，然后經(jīng)過一個(gè)池化層，得到得到6個(gè)14X14的feature map，然后再經(jīng)過一個(gè)卷積層，生成了16個(gè)10X10的卷積層，再經(jīng)過池化層生成16個(gè)5×5的feature map。

　　從最后16個(gè)5X5的feature map開始，經(jīng)過了3個(gè)全連接層，達(dá)到最后的輸出，輸出就是標(biāo)簽空間的輸出。由于設(shè)計(jì)的是只要對0到9進(jìn)行識(shí)別，所以輸出空間是10，如果要對10個(gè)數(shù)字再加上26個(gè)大小字母進(jìn)行識(shí)別的話，輸出空間就是62。62維向量里，如果某一個(gè)維度上的值最大，它對應(yīng)的那個(gè)字母和數(shù)字就是就是預(yù)測結(jié)果。

　　壓在駱駝身上的最后一根稻草

　　從98年到本世紀(jì)初，深度學(xué)習(xí)興盛起來用了15年，但當(dāng)時(shí)成果泛善可陳，一度被邊緣化。到2012年，深度學(xué)習(xí)算法在部分領(lǐng)域取得不錯(cuò)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(xué)幾個(gè)科學(xué)家開發(fā)，在ImageNet比賽上做到了非常好的效果。當(dāng)時(shí)AlexNet識(shí)別效果超過了所有淺層的方法。此后，大家認(rèn)識(shí)到深度學(xué)習(xí)的時(shí)代終于來了，并有人用它做其它的應(yīng)用，同時(shí)也有些人開始開發(fā)新的網(wǎng)絡(luò)結(jié)構(gòu)。

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

　　去年，有些人研究出來怎么樣可視化深度學(xué)習(xí)出來的特征。那么，AlexNet學(xué)習(xí)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(xué)習(xí)一些紋理特征;更高接近分類器的層級(jí)，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(jìn)行識(shí)別，最開始學(xué)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(jí)才能抽象到物體的整體。整個(gè)卷積神經(jīng)網(wǎng)絡(luò)在模擬人的抽象和迭代的過程。

　　為什么時(shí)隔20年卷土重來?

　　我們不禁要問：似乎卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)也不是很復(fù)雜，98年就已經(jīng)有一個(gè)比較像樣的雛形了。自由換算法和理論證明也沒有太多進(jìn)展。那為什么時(shí)隔20年，卷積神經(jīng)網(wǎng)絡(luò)才能卷土重來，占領(lǐng)主流?

　　這一問題與卷積神經(jīng)網(wǎng)絡(luò)本身的技術(shù)關(guān)系不太大，我個(gè)人認(rèn)為與其他一些客觀因素有關(guān)。

　　首先，卷積神經(jīng)網(wǎng)絡(luò)的深度太淺的話，識(shí)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(jìn)行訓(xùn)練，否則機(jī)器學(xué)習(xí)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(shí)候。

　　另外一個(gè)條件是運(yùn)算能力。卷積神經(jīng)網(wǎng)絡(luò)對計(jì)算機(jī)的運(yùn)算要求比較高，需要大量重復(fù)可并行化的計(jì)算，在當(dāng)時(shí)CPU只有單核且運(yùn)算能力比較低的情況下，不可能進(jìn)行個(gè)很深的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。隨著GPU計(jì)算能力的增長，卷積神經(jīng)網(wǎng)絡(luò)結(jié)合大數(shù)據(jù)的訓(xùn)練才成為可能。

　　最后一點(diǎn)就是人和。卷積神經(jīng)網(wǎng)絡(luò)有一批一直在堅(jiān)持的科學(xué)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(luò)占領(lǐng)主流的曙光。

　　深度學(xué)習(xí)在視覺上的應(yīng)用

　　計(jì)算機(jī)視覺中比較成功的深度學(xué)習(xí)的應(yīng)用，包括人臉識(shí)別，圖像問答，物體檢測，物體跟蹤。

　　人臉識(shí)別

　　這里說人臉識(shí)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(jìn)行比對;或同時(shí)給兩張人臉，判斷是不是同一個(gè)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(luò)，但在做比對時(shí)，兩張人臉分別提取了不同位置特征，然后再進(jìn)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(dá)到了99.53%準(zhǔn)確度，與肉眼識(shí)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(shí)問個(gè)問題，然后讓計(jì)算機(jī)回答。比如有一個(gè)辦公室靠海的圖片，然后問“桌子后面有什么”，神經(jīng)網(wǎng)絡(luò)輸出應(yīng)該是“椅子和窗戶”。

　　這一應(yīng)用引入了LSTM網(wǎng)絡(luò)，這是一個(gè)專門設(shè)計(jì)出來具有一定記憶能力的神經(jīng)單元。特點(diǎn)是，會(huì)把某一個(gè)時(shí)刻的輸出當(dāng)作下一個(gè)時(shí)刻的輸入?？梢哉J(rèn)為它比較適合語言等，有時(shí)間序列關(guān)系的場景。因?yàn)槲覀冊谧x一篇文章和句子的時(shí)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(luò)和LSTM單元的結(jié)合，來實(shí)現(xiàn)圖像問答。LSTM輸出就應(yīng)該是想要的答案，而輸入的就是上一個(gè)時(shí)刻的輸入，以及圖像的特征，及問句的每個(gè)詞語。

　　物體檢測問題

　　Region CNN

　　深度學(xué)習(xí)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(gè)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(xué)習(xí)算法根據(jù)這些圖像塊，判斷屬性和一個(gè)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?yàn)樵谧鑫矬w檢測的時(shí)候，如果你用掃描窗的方法進(jìn)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(gè)圖像塊都要過一遍深度網(wǎng)絡(luò)的話，這種時(shí)間是你無法接受的。

　　所以用了一個(gè)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(luò)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(diǎn)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(gè)超級(jí)加速版R-CNN方法。它的速度達(dá)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(jìn)深度網(wǎng)絡(luò)里，讓深度網(wǎng)絡(luò)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(luò)運(yùn)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(xué)習(xí)自己生成可能的物體塊，再用同樣深度網(wǎng)絡(luò)來判斷物體塊是否是背景?同時(shí)進(jìn)行分類，還要把邊界和給估計(jì)出來。

　　Faster R-CNN可以做到又快又好，在VOC2007上檢測AP達(dá)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(luò)，也是進(jìn)行物體檢測，最快達(dá)到每秒鐘155幀，達(dá)到了完全實(shí)時(shí)。它讓一整張圖像進(jìn)入到神經(jīng)網(wǎng)絡(luò)，讓神經(jīng)網(wǎng)絡(luò)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(gè)數(shù)，從原來Faster R-CNN的2000多個(gè)縮減縮減到了98個(gè)。

　　同時(shí)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(yù)測物體的種類和位置。

　　YOLO的代價(jià)就是精度下降，在155幀的速度下精度只有52.7，45幀每秒時(shí)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(jí)改進(jìn)版，吸取了YOLO的精度下降的教訓(xùn)，同時(shí)保留速度快的特點(diǎn)。它能達(dá)到58幀每秒，精度有72.1。速度超過Faster R-CNN 有8倍，但達(dá)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(shí)鎖定感興趣的物體，讓計(jì)算機(jī)跟著走，不管怎么旋轉(zhuǎn)晃動(dòng)，甚至躲在樹叢后面也要跟蹤。

　　深度學(xué)習(xí)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(shí)和同事提出的，是第一在線用深度學(xué)習(xí)進(jìn)行跟蹤的文章，當(dāng)時(shí)超過了其它所有的淺層算法。

　　今年有越來越多深度學(xué)習(xí)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(dá)到最新的記錄。它不是在線更新一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)，而是用一個(gè)大網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，然后讓大網(wǎng)絡(luò)知道什么是物體什么不是物體。

　　將大網(wǎng)絡(luò)放在跟蹤視頻上面，然后再分析網(wǎng)絡(luò)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(jìn)行跟蹤，這樣利用了深度學(xué)習(xí)特征學(xué)習(xí)比較好的好處，同時(shí)又利用了淺層方法速度較快的優(yōu)點(diǎn)。效果是每秒鐘10幀，同時(shí)精度破了記錄。

　　最新的跟蹤成果是基于Hierarchical Convolutional Feature，由一個(gè)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(shí)候有學(xué)習(xí)，學(xué)習(xí)的不是一般的物體檢測，也不是ImageNet，學(xué)習(xí)的是跟蹤視頻，然后在學(xué)習(xí)視頻結(jié)束后，在真正在使用網(wǎng)絡(luò)的時(shí)候更新網(wǎng)絡(luò)的一部分。這樣既在離線的時(shí)候得到了大量的訓(xùn)練，在線的時(shí)候又能夠很靈活改變自己的網(wǎng)絡(luò)。

　　基于嵌入式系統(tǒng)的深度學(xué)習(xí)

　　回到ADAS問題(慧眼科技的主業(yè))，它完全可以用深度學(xué)習(xí)算法，但對硬件平臺(tái)有比較高的要求。在汽車上不太可能把一臺(tái)電腦放上去，因?yàn)楣β适莻€(gè)問題，很難被市場所接受。

　　現(xiàn)在的深度學(xué)習(xí)計(jì)算主要是在云端進(jìn)行，前端拍攝照片，傳給后端的云平臺(tái)處理。但對于ADAS而言，無法接受長時(shí)間的數(shù)據(jù)傳輸?shù)?，或許發(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(tái)?NVIDIA推出的嵌入式平臺(tái)，其運(yùn)算能力遠(yuǎn)遠(yuǎn)強(qiáng)過了所有主流的嵌入式平臺(tái)，運(yùn)算能力接近主流的頂級(jí)CPU，如臺(tái)式機(jī)的i7。那么慧眼科技在做工作就是要使得深度學(xué)習(xí)算法，在嵌入式平臺(tái)有限的資源情況下能夠達(dá)到實(shí)時(shí)效果，而且精度幾乎沒有減少。

　　具體做法是，首先對網(wǎng)絡(luò)進(jìn)行縮減，可能是對網(wǎng)絡(luò)的結(jié)構(gòu)縮減，由于識(shí)別場景不同，也要進(jìn)行相應(yīng)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(shí)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(yùn)算量，減少檢測空間的大小。在這種情況下，在有限資源上實(shí)現(xiàn)了使用深度學(xué)習(xí)算法，但精度減少的非常少。