<mark id="oztn4"></mark>
0
| 本文作者： 我在思考中 | 2021-12-14 17:40 |
編輯 | 青暮
今年12月9日，第六屆全球人工智能與機(jī)器人大會（GAIR 2021）在深圳正式啟幕，140余位產(chǎn)學(xué)領(lǐng)袖、30位Fellow聚首，從AI技術(shù)、產(chǎn)品、行業(yè)、人文、組織等維度切入，以理性分析與感性洞察為軸，共同攀登人工智能與數(shù)字化的浪潮之巔。
大會次日，IEEE/IAPR Fellow，京東集團(tuán)副總裁，京東探索研究院副院長梅濤在GAIR大會上做了《從感知智能到認(rèn)知智能的視覺計算》的報告，他指出視覺計算的感知研究雖然已經(jīng)相對成熟，某些人工智能（AI）任務(wù)已經(jīng)能夠通過圖靈測試，例如在內(nèi)容合成與圖像識別，但在視頻分析領(lǐng)域，視頻數(shù)據(jù)內(nèi)容多樣化以及視頻語義的不清晰等原因?qū)е略擃I(lǐng)域還存在大量挑戰(zhàn)性問題。
同時，在認(rèn)知領(lǐng)域，視覺計算已經(jīng)有一些進(jìn)展，例如Visual Genome、VCR等數(shù)據(jù)集已經(jīng)布局結(jié)構(gòu)知識建模；而在推理層面，國內(nèi)學(xué)者已經(jīng)嘗試通過聯(lián)合解譯和認(rèn)知推理深入理解場景或事件。
以下是演講全文，AI科技評論做了不改變原意的整理：
今天的演講題目是《從感知智能到認(rèn)知智能的視覺計算》。在開始之前，先用兩個圖靈測試的例子大致說明AI的進(jìn)展。
首先計算機(jī)視覺不僅在識別領(lǐng)域，在內(nèi)容合成領(lǐng)域已經(jīng)達(dá)到通過圖靈測試的標(biāo)準(zhǔn)。正如上圖所示，人類已經(jīng)很難在一組圖片中將兩張機(jī)器合成的圖片挑選出來。
另外一個圖靈測試的例子是“看圖說話”：給定一張圖片，描述圖片的內(nèi)容。下面兩句話分別由人（第一句）和機(jī)器（第二句）生成。很顯然，如果不仔細(xì)看圖片，可能會潛意識的認(rèn)為機(jī)器比人寫的詳細(xì)。
1.a dog is lifted among the flowers
2. a dog wearing a hat sitting within a bunch of yellow flowers
如果仔細(xì)觀察圖片，就會發(fā)現(xiàn)確實(shí)有一只手把小狗舉了起來。這也說明：不太經(jīng)常發(fā)生的現(xiàn)象，機(jī)器很難描述，其原因和機(jī)器學(xué)習(xí)的內(nèi)容相關(guān)，以及機(jī)器沒有邏輯推理能力。
通過上述兩個例子我們可以看出：在感知領(lǐng)域，AI已經(jīng)超越人類；而在認(rèn)知領(lǐng)域，它還欠缺一些火候。
上圖是計算機(jī)視覺在過去五六十年取得的進(jìn)展，2012年深度學(xué)習(xí)“大火”之前，計算機(jī)完成視覺任務(wù)通常有兩個步驟：特征工程和模型學(xué)習(xí)。
特征工程的特點(diǎn)是完全依靠人類智慧，例如設(shè)計Canny edge、Snak、Eigenfaces等參數(shù)特征，同時這些方法已經(jīng)獲得了大量的引用，Canny已經(jīng)被引用了38000次，Snak 18000次，SIFT更是已經(jīng)超過了64000次。
2012年之后，深度學(xué)習(xí)興起，顛覆了幾乎所有的計算機(jī)視覺任務(wù)。其特點(diǎn)是將傳統(tǒng)的特征工程和模型學(xué)習(xí)合為一體，即能夠在學(xué)習(xí)的過程中進(jìn)行特征設(shè)計。
深度學(xué)習(xí)火熱的另一個標(biāo)志是每年有大量的論文投到計算機(jī)視覺頂會（CVPR、ICCV、ECCV等），同時如果這些方法表現(xiàn)“杰出”，就能夠獲得大量的流量，例如GoogleNet VGG在不到8年的時間里獲得了10萬次引用；2015年的ResNet更是在更短的時間獲得了接近10萬次的引用。
這說明深度學(xué)習(xí)領(lǐng)域在飛速發(fā)展，而且進(jìn)入這個領(lǐng)域的人越來越多。一方面不僅深度學(xué)習(xí)網(wǎng)絡(luò)在不斷“更新?lián)Q代”，圖像、視頻等數(shù)據(jù)集也在不斷增長，甚至有些數(shù)據(jù)集規(guī)模已經(jīng)過億。
其中，深度學(xué)習(xí)的一個趨勢是“跨界”。在2019年，Transformer在自然語言處理領(lǐng)域的性能被證明“一枝獨(dú)秀”，現(xiàn)在已經(jīng)有大量學(xué)者開始研究如何將其納入視覺領(lǐng)域，例如微軟亞洲研究院swin transformer相關(guān)工作獲得了ICCV的最佳論文獎。
上圖展示了隨著研究范式的變化，數(shù)據(jù)集的變化趨勢。無論是數(shù)據(jù)集的類別還是數(shù)據(jù)集的規(guī)模都在不斷增大，有些數(shù)據(jù)集更是超過了10億級別。目前類別最多的是UCF101數(shù)據(jù)集，其中包括101個類。同時，大規(guī)模也帶來了一個弊端：一些高校和小型實(shí)驗室無法進(jìn)行模型訓(xùn)練。
特定領(lǐng)域進(jìn)展如何？在圖像識別領(lǐng)域，最廣為人知莫過于ImageNet競賽。其任務(wù)是給定一張圖，預(yù)測出五個相關(guān)的標(biāo)簽。隨著深度學(xué)習(xí)網(wǎng)絡(luò)的層數(shù)越來越深，識別的錯誤率越來越低，到2015年， ResNet已經(jīng)它達(dá)到了152層，并且已經(jīng)超過了人類識別圖像的能力。
在視頻分析領(lǐng)域。Kinetics-400 視頻分析任務(wù)反應(yīng)了該領(lǐng)域的進(jìn)展，從2017年和2019年出現(xiàn)了各種適合視頻任務(wù)的神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)大小、深度并不一致，而且從準(zhǔn)確率、識別精度上看，也沒有一致的結(jié)果。換句話說，該領(lǐng)域存在大量的潛力（open question）。至于原因，個人認(rèn)為有兩種：
1.視頻內(nèi)容非常多樣化，而且是時空連續(xù)的數(shù)據(jù)。
2.同樣的語義，在視頻中會有不同的含義。例如不同語氣和不同表情下對同一個詞的輸出。
過去10~20年，視覺感知領(lǐng)域存在很多主題。如上圖所示，從最小力度的像素級別到視頻級別，基本上可以歸為幾大研究領(lǐng)域：語義分隔、物體檢測、視頻動作行為識別、圖像分類、Vision and language。其中，Vision and language最近五年比較火熱，其要求不僅從圖視頻內(nèi)容里面生成文字描述，并且也可以反過來從文字描述生成視頻或者圖片的內(nèi)容。
總結(jié)起來，目前視覺研究的主要方向還是進(jìn)行RGB視頻和圖像研究，在不遠(yuǎn)的將來，成像的方式會發(fā)生變化，那時研究的數(shù)據(jù)將不僅是2D，更會過渡3D，甚至更多的多模態(tài)的數(shù)據(jù)。
在視覺理解領(lǐng)域，通用的視覺理解非常簡單：例如區(qū)分貓和狗，區(qū)分車和人。但在自然界里，要真正的做到對世界的理解，其實(shí)要做到非常精細(xì)的粒度的圖像識別。一個直觀的例子是鳥類識別，理想中的機(jī)器需要識別10萬種鳥類，才能達(dá)到人類對“理解世界”的要求。如果再精細(xì)一些，需要達(dá)到商品SKU細(xì)粒度識別。
注：一瓶200毫升和300毫升的礦泉水就是不同粒度的SKU。
過去幾年，京東在這方面做了一些探索。探索路徑包括：detection的方式，detection結(jié)合attention的方式，以及自監(jiān)督的方式。涉及論文包括CVPR2019 的“Destruction and Construction Learning ”以及CVPR 2020的“Self-supervised”相關(guān)工作。
CVPR 2019：Destruction and Construction Learning for Fine-grained Image Recognition
論文地址：https://openaccess.thecvf.com/content_CVPR_2019/papers/Chen_Destruction_and_Construction_Learning_for_Fine-Grained_Image_Recognition_CVPR_2019_paper.pdf
CVPR 2020：Look-into-Object: Self-supervised Structure Modeling for Object Recognition
論文地址：https://arxiv.org/abs/2003.14142
視頻領(lǐng)域非常有挑戰(zhàn)，當(dāng)年我想借鑒ResNet，畢竟在圖像識別領(lǐng)域它是非常有創(chuàng)新的網(wǎng)絡(luò)，因為其里面包含skip level的調(diào)整。因此，當(dāng)時我想把2D的CNN直接應(yīng)用到3D領(lǐng)域。
其實(shí)，相關(guān)工作已經(jīng)有人嘗試，但存在一定的困難。例如Facebook發(fā)現(xiàn)，如果沿著xyz三個軸進(jìn)行卷積，參數(shù)會爆炸，所以很難提高模型性能。因此在2015年，F(xiàn)acebook只設(shè)計了一個11層的3D卷積網(wǎng)絡(luò)。
我的嘗試是基于ResNet進(jìn)行3D卷積設(shè)計，但也遇到了和Facebook同樣的困難，即參數(shù)爆炸。因此，在CVPR 2017年的一項工作中，我利用一個1*3*3的二維空間卷積和3*1*1的一維時域卷積來模擬常用的3*3*3三維卷積。
通過簡化，相比于同樣深度的二維卷積神經(jīng)網(wǎng)絡(luò)僅僅增添了一定數(shù)量的一維卷積，在參數(shù)數(shù)量、運(yùn)行速度等方面并不會產(chǎn)生過度的增長。與此同時，由于其中的二維卷積核可以使用圖像數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，對于已標(biāo)注視頻數(shù)據(jù)的需求也會大大減少。目前該論文引用超過1000次，得到了行業(yè)的認(rèn)可。
CVPR 2017：Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks
論文地址：https://arxiv.org/abs/1711.10305
其他研究領(lǐng)域也有很多問題有待開發(fā)。例如在3D視覺研究方面，不僅需要語義分割，還需要估計物體的姿態(tài)；在Image to Language研究中，不僅需要給定一張圖片生成一段描述文字，還需要知道物體之間的空間關(guān)系語義關(guān)系。
AI一直被認(rèn)為是改變工業(yè)界的范式，2019年P(guān)WC（麥肯錫）曾經(jīng)發(fā)布過一個報告：AI對整個全球的經(jīng)濟(jì)的貢獻(xiàn)，在2030年之前，每一年會是14%的提升。并且在中國，增長空間是26%。
將AI應(yīng)用到工業(yè)界，基本需要滿足三個條件中的任何一個：降低成本、提高效率、提升用戶體驗。市值萬億美金級別的公司，例如微軟和蘋果，其共同的特點(diǎn)在于企業(yè)會全面、大規(guī)模、一次性的推廣AI技術(shù)。
大規(guī)模推廣AI技術(shù)時，誕生了許多很有意思的應(yīng)用，例如“拍照購物”，核心技術(shù)是Photo-to-search，該領(lǐng)域已被深耕多年，但真正能發(fā)揮的場景是電商。以京東為例，它的拍照購物準(zhǔn)確率以經(jīng)比四年前提高許多，用戶轉(zhuǎn)化率提升了十幾倍。
另一個電商零售中的例子是“智能搭配”，其目的不僅是讓AI推薦同款商品，還要讓AI提供穿搭建議。例如當(dāng)用戶購買上衣時，AI自動搭配一個裙子或者一雙鞋，并且生成一段描述，告訴用戶“為何如此搭配”。該功能上線之后，其帶來的點(diǎn)擊率超過了人工搭配。
智能導(dǎo)播應(yīng)用也是AI比較擅長的。例如足球比賽中會有很多固定的相機(jī)，相機(jī)中的視頻會傳遞到轉(zhuǎn)播車，然后會有20~30個工作人員不斷的制作視頻，提供轉(zhuǎn)播流，每個人看到的轉(zhuǎn)播流都是相同的。所謂智能導(dǎo)播是指：用AI學(xué)習(xí)人類導(dǎo)播的方式，然后根據(jù)每個用戶的喜好，輸出相應(yīng)的內(nèi)容。喜歡足球的用戶會著重推送精彩的射門、動作；喜歡球星的用戶會著重推薦球員的特寫，從而達(dá)到千人千面的效果。
智能導(dǎo)播涉及的技術(shù)比較廣泛，例如：動作/事件識別、人臉識別、姿態(tài)估計、高光檢測、相機(jī)視圖切換等等。值得一提的是，二十年前，我在微軟實(shí)習(xí)時候，導(dǎo)師就安排過相應(yīng)的任務(wù)，但是由于數(shù)據(jù)和算力的限制，沒有做到很好的效果。兩年前，我們才在京東上線該功能。
元宇宙的概念很火熱，京東也在數(shù)字人方面做了一些嘗試。日前也憑借跨模態(tài)分析技術(shù)、多模態(tài)交互數(shù)字人技術(shù)分別斬獲ACM國際多媒體頂級會議的最佳演示獎（Demo）。
傳統(tǒng)的數(shù)字人只能進(jìn)行“文字交互”，而今天的數(shù)字人希望能夠模擬真人進(jìn)行對話，其特點(diǎn)在于形象、逼真、實(shí)時反應(yīng)等等。目前，數(shù)字人技術(shù)已經(jīng)成功在市長熱線中部署。
通用AI一直是人類的夢想，邁向通用AI的過程中，在視覺方面必須要從感知過度到認(rèn)知，如此智能視覺系統(tǒng)才能進(jìn)行決策。
但其中會遇到很多挑戰(zhàn)，例如魯棒性，直接表現(xiàn)在自動駕駛領(lǐng)域，汽車相撞、識別錯誤等等都表明系統(tǒng)不夠魯棒。模型和數(shù)據(jù)偏見也是學(xué)界經(jīng)常討論的焦點(diǎn)，前段時間AI領(lǐng)域的大牛Yann LeCun在推特上因為“偏見來自數(shù)據(jù)還是來自模型”的發(fā)言被diss退網(wǎng)。
認(rèn)知智能和感知智能的區(qū)別主要有兩點(diǎn)，在目標(biāo)層面，傳統(tǒng)AI希望增強(qiáng)人類思維并提供準(zhǔn)確結(jié)果，而認(rèn)知AI希望模仿人類行為和推理；而在能力層面，傳統(tǒng)AI希望找到學(xué)習(xí)模式或揭示隱藏信息；而認(rèn)知AI希望能夠模型人類思維從而找到解決方案。顯然，認(rèn)知AI將來會有很多用途，例如可信系統(tǒng)、模型解釋等等。
實(shí)現(xiàn)認(rèn)知AI，有三個核心問題要解決：第一，需要考慮如何對結(jié)構(gòu)知識進(jìn)行建模；第二，如何讓模型可解釋；第三，如何讓系統(tǒng)擁有推理能力。
針對結(jié)構(gòu)知識建模，學(xué)界目前已經(jīng)有一些嘗試，例如斯坦福大學(xué)李飛飛開發(fā)的Visual Genome數(shù)據(jù)集，華盛頓大學(xué)發(fā)布的VCR數(shù)據(jù)集等等。
推理方面進(jìn)展如何？北京通用AI研究院朱松純教授最近在《中國工程院院刊》中發(fā)表論文稱：通過 對一張簡單圖片的分解，計算機(jī)視覺系統(tǒng)應(yīng)該能夠同時進(jìn)行以下工作：1.重建3D場景估算相機(jī)參數(shù)、材料和照明條件；2.以屬性、流態(tài)和關(guān)系對場景進(jìn)行層次分析；3.推理智能體（如本例中的人和狗）的意圖和信念；4.預(yù)測它們在時序上的行為；5.恢復(fù)不可見的元素，如水和不可觀測的物體狀態(tài)等。
論文題目：Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike Common Sense
論文地址：https://arxiv.org/abs/2004.09044
最后，以gartner的一張趨勢預(yù)見圖結(jié)束演講。每一個技術(shù)的開始都會經(jīng)歷缺口、泡沫、泡沫破滅以及谷底、理性回歸等幾個階段。正如上圖所示，通用AI里面的可解釋性、可信任都還在爬升階段，而計算機(jī)視覺已經(jīng)到了第四階段的尾聲，這意味著未來的兩三年，計算機(jī)視覺會邁向技術(shù)成熟階段，而且會得到大規(guī)模的商用，普惠人類生活。
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。
