深度学习与机器视觉
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月其開發的Alphago算法在圍棋挑戰賽中，戰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。
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據算法。?
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，創立了另一家從事深度學習算法開發的公司地平線。
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，Facebook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
互聯網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，占優勢的統計機器學習群體中，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年中出現了不少優秀的特征算子，比如最著名的SIFT算子，即所謂的對尺度旋轉保持不變的算子。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，基本達到了商業化的要求但還沒有完全商業化。
一是八九十年代的指紋識別算法，它已經非常成熟，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能夠達到實時人臉檢測，我們現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驗，需要你對這個領域和數據特別了解，然后設計出來特征還需要大量的調試工作。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年諾貝爾醫學生理學獎頒發給了David Hubel，一位神經生物學家。他的主要研究成果是發現了視覺系統信息處理機制，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，但是經過了大量的神經元抽象迭代。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字。
所謂的特征或者視覺特征，就是把這些數值給綜合起來用統計或非統計的形式，把摩托車的部件或者整輛摩托車表現出來。深度學習的流行之前，大部分的設計圖像特征就是基于此，即把一個區域內的像素級別的信息綜合表現出來，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
計算機視覺里經常使卷積神經網絡，即CNN，是一種對人腦比較精準的模擬。
什么是卷積？卷積就是兩個函數之間的相互關系，然后得出一個新的值，他是在連續空間做積分計算，然后在離散空間內求和的過程。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，就是把小區域內的信息統計抽象出來。
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，然后對這個區域進行統計。可以用不同的方法統計，比如著重統計中央，也可以著重統計周圍，這就導致統計的和函數的種類多種多樣，為了達到可以同時學習多個統計的累積和。
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計抽象的方式。
在卷積神經網絡中，除了卷積層，還有一種叫池化的操作。池化操作在統計上的概念更明確，就是一個對一個小區域內求平均值或者求最大值的統計操作。
帶來的結果是，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區域里面最大的信息。
操作的實例：LeNet網絡
Le顧名思義就是指人工智能領域的大牛Lecun。這個網絡是深度學習網絡的最初原型，因為之前的網絡都比較淺，它較深的。LeNet在98年就發明出來了，當時Lecun在AT&T的實驗室，他用這一網絡進行字母識別，達到了非常好的效果。
怎么構成呢？輸入圖像是32×32的灰度圖，第一層經過了一組卷積和，生成了6個28X28的feature map，然后經過一個池化層，得到得到6個14X14的feature map，然后再經過一個卷積層，生成了16個10X10的卷積層，再經過池化層生成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字就是就是預測結果。
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，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新的網絡結構。
其實AlexNet的結構也很簡單，只是LeNet的放大版。輸入是一個224X224的圖片，是經過了若干個卷積層，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，根據不同的物體展現出不同姿態的特征了。
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。整個卷積神經網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：似乎卷積神經網絡設計也不是很復雜，98年就已經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，卷積神經網絡才能卷土重來，占領主流？
這一問題與卷積神經網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，卷積神經網絡的深度太淺的話，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，就需要大量數據進行訓練，否則機器學習中的過擬合將不可避免。而2006及2007年開始，正好是互聯網開始大量產生各種各樣的圖片數據的時候。
另外一個條件是運算能力。卷積神經網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網絡的訓練。隨著GPU計算能力的增長，卷積神經網絡結合大數據的訓練才成為可能。?
最后一點就是人和。卷積神經網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網絡占領主流的曙光。
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，與數據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網絡，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，得到最后的比對結果。最新的DeepID-3算法，在LWF達到了99.53%準確度，與肉眼識別結果相差無幾。
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”，神經網絡輸出應該是“椅子和窗戶”。
這一應用引入了LSTM網絡，這是一個專門設計出來具有一定記憶能力的神經單元。特點是，會把某一個時刻的輸出當作下一個時刻的輸入?？梢哉J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網絡和LSTM單元的結合，來實現圖像問答。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絡里，讓深度網絡自行判斷哪里有物體，物體的方塊在哪里，種類是什么？
經過深度網絡運算的次數從原來的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網絡，讓神經網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，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結構，代替Selective Search結構。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，在數據上達到最新的記錄。它不是在線更新一個深度學習網絡，而是用一個大網絡進行預訓練，然后讓大網絡知道什么是物體什么不是物體。
將大網絡放在跟蹤視頻上面，然后再分析網絡在視頻上產生的不同特征，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，然后在學習視頻結束后，在真正在使用網絡的時候更新網絡的一部分。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絡。
基于嵌入式系統的深度學習
回到ADAS問題（慧眼科技的主業），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據傳輸的，或許發生事故后，云端的數據還沒傳回來。
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，首先對網絡進行縮減，可能是對網絡的結構縮減，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，結合最快的深度跟蹤算法，同時自己研發出一些場景分析算法。三者結合在一起，目的是減少運算量，減少檢測空間的大小。在這種情況下，在有限資源上實現了使用深度學習算法，但精度減少的非常少。
總結
- 上一篇： CentOS设置程序开机自启动的方法
- 下一篇： Managing Tables