CVPR 2019 程序主席發(fā)文潑冷水：計(jì)算機(jī)視覺的黃金時(shí)代靠的都是記憶

雷鋒網(wǎng) AI 科技評(píng)論按，隨著計(jì)算機(jī)視覺技術(shù)日趨火熱，作為該領(lǐng)域的頂級(jí)學(xué)術(shù)會(huì)議，CVPR 參與人數(shù)逐年猛增 。上周在美國(guó)長(zhǎng)灘舉辦的 CVPR 2019 熱度還未散去，6 月 26 日，會(huì)議的程序主席 Derek Hoiem 發(fā)表了一篇博文。在博文中，Derek Hoiem 表示，現(xiàn)在是計(jì)算機(jī)視覺技術(shù)的黃金時(shí)代，同時(shí)他也表示，目前的計(jì)算機(jī)視覺技術(shù)只是記憶，而不是智力。雷鋒網(wǎng) AI 科技評(píng)論將他的文章編譯如下。

對(duì)于計(jì)算機(jī)視覺研究者來說，這是一個(gè)激動(dòng)人心但難以抗拒的時(shí)代。上周二，我有幸在 CVPR 2019 大會(huì)上向 9277 名與會(huì)者發(fā)表開幕詞。作為四個(gè)程序主席之一，我的工作是管理論文決策過程，這其中包括協(xié)調(diào) 132 個(gè)區(qū)域主席、2887 名審稿人和提交 5160 篇論文的 14104 名作者，以及規(guī)劃 1296 張海報(bào)的展示和 288 次演講。這是有史以來最大的計(jì)算機(jī)視覺會(huì)議，但在短短四個(gè)月內(nèi)又將會(huì)有一次會(huì)議——ICCV 2019。如此多的事情正在發(fā)生——誰(shuí)能跟上？

CVPR 每年提交（藍(lán)色）和接收（綠色）論文數(shù)量

計(jì)算機(jī)視覺不再只是一種學(xué)術(shù)追求。數(shù)十億美元被用于從智能攝像頭到自動(dòng)駕駛的計(jì)算機(jī)視覺應(yīng)用程序中。大多數(shù)教授把至少一半的時(shí)間花在工業(yè)界的研究上，即使是初出茅廬的博士生，也能拿到六位數(shù)的豐厚薪水。但這是否是一場(chǎng)泡沫？我們?nèi)绾螌⒊墒斓纳虡I(yè)化突破與大肆宣傳的概念證明區(qū)分開來？

首先，讓我們簡(jiǎn)單回顧一下我們是如何做到這一點(diǎn)的：

• 1963 年：Robert 的經(jīng)典「Blocks World」論文使用精心設(shè)計(jì)的特征和規(guī)則，從圖像構(gòu)建三維對(duì)象。
  

• 1981 年：Lucas 和 Kanade 在僅僅長(zhǎng)達(dá)六頁(yè)紙的論文中提出了有效的運(yùn)動(dòng)跟蹤和立體視覺算法。隨之而來的是幾何視覺和圖像處理的進(jìn)步。
  

• 1996 年：Rowley、Baluja 和 Kanade 描述了第一個(gè)現(xiàn)代物體檢測(cè)，即一個(gè)訓(xùn)練用來檢測(cè)人臉的神經(jīng)網(wǎng)絡(luò)。數(shù)字圖像激增，數(shù)據(jù)取代了規(guī)則。
  

• 2012 年：數(shù)以百萬(wàn)計(jì)的標(biāo)記圖像和 GPU 處理為 Krizevsky、Sutskever 和 Hinton 提供了證明深度學(xué)習(xí)強(qiáng)大力量的基礎(chǔ)，相比原來的方法，深度學(xué)習(xí)方法的錯(cuò)誤率降低了一半。數(shù)據(jù)取代了手工標(biāo)記特征。
  

• 2019 年：面部識(shí)別、身體追蹤和常見物體的檢測(cè)就像魔術(shù)一樣神奇。單張圖像的深度預(yù)測(cè)看起來很棒。但只有門外漢試圖解決標(biāo)簽圖像少于 100000 張的問題。數(shù)據(jù)標(biāo)注產(chǎn)業(yè)應(yīng)運(yùn)而生。
  

所以，這就是計(jì)算機(jī)視覺成功的秘密：它是記憶，而不是智力。讓我們以單視圖深度預(yù)測(cè)為例。2005 年，我苦苦鉆研這個(gè)問題，首次提出了從室外圖像自動(dòng)創(chuàng)建 3D 模型的方法。它的關(guān)鍵是學(xué)習(xí)「識(shí)別」幾何圖形，將像素標(biāo)記為地面、垂直物體和支撐物，并使用透視幾何規(guī)則構(gòu)建場(chǎng)景幾何的簡(jiǎn)單模型。這花費(fèi)了大約 30% 的時(shí)間。

早期的單視圖 3D 重建方法：一點(diǎn)數(shù)據(jù)、手工設(shè)計(jì)的特征和一些數(shù)學(xué)

單視圖構(gòu)建 3D 模型是現(xiàn)在的一個(gè)熱門話題，僅在 CVPR 2019 上就有 35 篇論文。有一些方法可以從全景圖生成場(chǎng)景布局，從圖像生成對(duì)象網(wǎng)格，從一個(gè)視圖生成深度圖。然而，正如我們小組和 UCI 在 2018 年指出的，以及 Freiburg 和 Intel 的研究人員在 CVPR 2019 所指出的那樣，許多似乎解釋了幾何學(xué)的方法實(shí)際上只是在學(xué)習(xí)和檢索與輸入類似例子的記憶以做出預(yù)測(cè)。預(yù)測(cè)出來的的 3D 模型可能看起來不錯(cuò)，但這些方法并不能推廣到新的形狀或場(chǎng)景中。

因此，讓我們考慮兩個(gè)非常有意思的問題：

1. 圖像深度。如果你能在現(xiàn)場(chǎng)拍攝一張照片，并將其發(fā)送到辦公室進(jìn)行 3D 測(cè)量和質(zhì)量控制，這難道不是一件很棒的事情嗎？再見，昂貴的激光掃描儀和笨重的攝影測(cè)量?jī)x！好了，夢(mèng)做完了，現(xiàn)在睜開眼睛。Matterport 最近公布了 360 全景的深度預(yù)測(cè)，這是一個(gè)令人印象深刻的數(shù)據(jù)收集和機(jī)器學(xué)習(xí)壯舉。它的相對(duì)深度很好，邊緣也在正確的位置。Ricoh Theta 需要以已知的高度固定在三腳架上，這消除了由于未知的相機(jī)參數(shù)和姿勢(shì)而產(chǎn)生的一些變化。但是它在精度上仍然達(dá)不到可用的標(biāo)準(zhǔn)，它使用的編解碼器模式也只是一種記憶形式，因此，各種各樣不同的重建場(chǎng)景中的深度預(yù)測(cè)可能在接下來很長(zhǎng)一段時(shí)間內(nèi)都會(huì)容易出錯(cuò)。我所在的 Reconstruct 公司最近推出了基于 360 度全景視頻的三維重建，由于它使用的是老式的相關(guān)性和優(yōu)化方法，它工作起來非常可靠。目前，我覺得這種 3D 重建最好只用在無(wú)人機(jī)、視頻捕捉和掃描儀等。不過，即便我這么說了，我還是對(duì)單視圖識(shí)別的深度方法與多視圖方法相結(jié)合來產(chǎn)生精確幾何的潛力感到非常興奮?！?br/>

2. 自動(dòng)化進(jìn)度監(jiān)控。在重建時(shí)，我們將點(diǎn)云和圖像與 BIM 對(duì)齊，因此可以很容易地自動(dòng)比較構(gòu)建計(jì)劃和評(píng)估進(jìn)度。我們有一些基本方法的專利和論文，但它們并不像看上去那么簡(jiǎn)單，而且，它們還沒有準(zhǔn)備好迎接這個(gè)黃金時(shí)代。最大的挑戰(zhàn)是各種各樣的建筑元素和任務(wù)、不完整的觀察結(jié)果、評(píng)估幾何和材料特性（例如，板巖與噴漆墻）、獲取標(biāo)記數(shù)據(jù)的挑戰(zhàn)。有些人聲稱有自動(dòng)進(jìn)度監(jiān)控，但由于缺乏數(shù)據(jù)和專業(yè)知識(shí)，我認(rèn)為這些說法不可信，無(wú)法廣泛應(yīng)用。但是，有了正確的數(shù)據(jù)以及最近在語(yǔ)義分割方面取得的進(jìn)展，這可能在未來一兩年內(nèi)實(shí)現(xiàn)，至少對(duì)于已經(jīng)完成的粗略測(cè)量工作來說是如此。
   

總而言之，如果有人聲稱剛解決了一個(gè)很難的識(shí)別或預(yù)測(cè)的問題，那么問問你自己：他們是否有足夠的數(shù)據(jù)，就像我關(guān)心的類型一樣，他們的方法能夠記住所有的答案？這就要求：

1. 他們是否用了足夠多的數(shù)據(jù)，以至于他們的方法只需要記住所有的答案就夠了；

2. 他們?cè)跇?biāo)注上花費(fèi)了數(shù)百萬(wàn)美元，或者有一種自動(dòng)化的方式來獲得監(jiān)督（例如，Matterport 深度掃描儀）；

3. 預(yù)測(cè)問題足夠簡(jiǎn)單，并且你的領(lǐng)域也足夠有限，以至于可能會(huì)被他們的數(shù)據(jù)和實(shí)驗(yàn)室所覆蓋。數(shù)十億美元的圖像標(biāo)注產(chǎn)業(yè)的存在是有原因的，到目前為止，還沒有什么東西能代替數(shù)據(jù)。

via：https://medium.com/reconstruct-inc/the-golden-age-of-computer-vision-338da3e471d1

雷鋒網(wǎng)