在幾年前，說到LFW和ImageNet，可能不只是普通大眾覺得陌生，恐怕連科技圈內(nèi)的人士也不知其所以然，但隨著人工智能領(lǐng)域的迅猛發(fā)展，“計(jì)算機(jī)視覺”、“人臉識別”、“物體識別”等詞匯越來越被大眾所熟知，而LFW和ImageNet正是世界范圍內(nèi)計(jì)算機(jī)視覺領(lǐng)域的頂級賽事之一。
王曉剛教授
若有人告訴你，現(xiàn)在的計(jì)算機(jī)視覺已經(jīng)超過了人眼，你可能覺得難以置信，但在香港中文大學(xué)的王曉剛教授看來，這并不值得大驚小怪，“我們的團(tuán)隊(duì)在去年的LFW(Labeled Faces in the Wild)數(shù)據(jù)庫上就獲得了99.15%的識別率，實(shí)驗(yàn)表明，如果僅僅給出人臉中心區(qū)域，人用肉眼在LFW上的識別率為97.52%，”王教授解釋道。
DeepID-Net團(tuán)隊(duì)ImageNet大賽折桂
而與LFW相比，ImageNet對科學(xué)家們提出的挑戰(zhàn)更具難度，ImageNet數(shù)據(jù)庫中一共包含了1400萬經(jīng)過標(biāo)簽分類的材料，囊括五花八門的圖像。其中的“物體檢測”項(xiàng)目是ImageNet里最具挑戰(zhàn)性的任務(wù)，它要求計(jì)算機(jī)從四萬張圖像中準(zhǔn)確地識別出200類物體的具體位置，其中的難點(diǎn)是一幅圖像中往往包含多個(gè)不同類別的物體。由于難度較大，在2013年時(shí)，計(jì)算機(jī)的檢測率只有22.6%。到2014年，谷歌以43.9%的檢測率贏得比賽，而由香港中文大學(xué)的歐陽萬里、王曉剛和湯曉鷗教授帶領(lǐng)的DeepID-Net團(tuán)隊(duì)首次參加ImageNet大規(guī)模物體檢測任務(wù)比賽便以40.7%的優(yōu)異戰(zhàn)績位居第二名。
幾個(gè)月后，DeepID-Net團(tuán)隊(duì)將此成績大幅提高至50.3%，達(dá)到了全球最高的檢測率。這一成果以論文形式發(fā)表在2015年國際計(jì)算機(jī)視覺與模式識別大會(huì)(CVPR)上，是目前世界上在ImageNet挑戰(zhàn)中最高記錄。
深度學(xué)習(xí)算法的逆襲
“深度學(xué)習(xí)”是目前計(jì)算機(jī)視覺乃至人工智能領(lǐng)域的研究熱點(diǎn)，在該方法應(yīng)用于ImageNet大賽之前，第一屆參賽當(dāng)時(shí)冠軍的準(zhǔn)確率(top 5精度)是71.8%，而2011年是74.3%。2012年的冠軍小組采用了深度學(xué)習(xí)的方法一舉將成績提升到84.7%，震驚了機(jī)器學(xué)習(xí)領(lǐng)域，隨后世界各大科研團(tuán)體和公司紛紛投身于深度學(xué)習(xí)領(lǐng)域。截止到目前，這一賽事的精度已經(jīng)達(dá)到95%以上，某種程度上跟人的分辨能力相當(dāng)。
DeepID-Net團(tuán)隊(duì)實(shí)驗(yàn)室
據(jù)王曉剛教授介紹，在DeepID-Net團(tuán)隊(duì)的研究中，深度學(xué)習(xí)算法起到了至關(guān)重要的作用，比如在圖像識別的時(shí)候需要提取特征，像顏色、紋理（光滑、粗糙）、形狀等，之前這些特征都需要人工去設(shè)計(jì)，有了深度學(xué)習(xí)后，這些特征是可以從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)的，深度學(xué)習(xí)就像飛機(jī)的發(fā)動(dòng)機(jī)一樣，只要做得好，可以帶動(dòng)計(jì)算機(jī)視覺的各個(gè)領(lǐng)域起飛?！皬?9年開始，全球頂尖的小組參加到ImageNet比賽中來，到12年的時(shí)候傳統(tǒng)的計(jì)算機(jī)視覺算法遇到瓶頸，進(jìn)展緩慢。但這一年出現(xiàn)了深度學(xué)習(xí)的方法，對計(jì)算機(jī)視覺來說是革命性的”，王教授說道。
對于計(jì)算機(jī)視覺超越人眼的說法，王教授向記者解釋道，在一些特定任務(wù)上，計(jì)算機(jī)視覺超過人眼是很正常的，人眼其實(shí)并沒有我們想象中的那么高效，“人眼在識別熟人臉的時(shí)候的確非常精準(zhǔn)，但在識別陌生人臉的時(shí)候就遠(yuǎn)沒有那么準(zhǔn)確，所以在特定的領(lǐng)域，計(jì)算機(jī)視覺完全可以做到超越人眼的識別準(zhǔn)確率?！钡粝肴娉饺搜?，還有很長的路要走，“計(jì)算機(jī)視覺目前在原理上其實(shí)是在模擬人類，像人的大腦一樣通過分層的神經(jīng)網(wǎng)絡(luò)來提高識別的準(zhǔn)確度。而人自出生以后就不斷的通過眼睛接收外界的信息，接收到的數(shù)據(jù)量非常巨大，以ImageNet為例，計(jì)算機(jī)視覺雖然可以進(jìn)行100萬張圖的大數(shù)據(jù)學(xué)習(xí)，與之前相比了長足的進(jìn)步，但和人所看到過的圖片相比，這仍然是一個(gè)微不足道的數(shù)字”，王教授說。不過這也意味著計(jì)算機(jī)視覺在未來有著廣闊的進(jìn)步空間。
計(jì)算機(jī)視覺領(lǐng)域巨頭云集，如何做到彎道超車？
目前各大科研團(tuán)體和公司都在聚焦深度學(xué)習(xí)的研究，谷歌、微軟、Facebook、百度等公司在資源投入方面更是不遺余力，在這種情況下，DeepID-Net團(tuán)隊(duì)是如何做到“彎道超車”的呢？
該論文的第一作者歐陽萬里博士解釋道，谷歌這樣的大公司確實(shí)擁有更多的資源，他們可能會(huì)考慮如何設(shè)計(jì)深度學(xué)習(xí)模型，而深度學(xué)習(xí)的本質(zhì)其實(shí)就是多層神經(jīng)網(wǎng)絡(luò)，每一層都可以根據(jù)任務(wù)來進(jìn)行調(diào)整，達(dá)到層與層之間通力合作，并最終大幅提高任務(wù)的準(zhǔn)確度。谷歌可能更傾向于優(yōu)化層與層之間的連接方式和增加層數(shù)，DeepID-Net團(tuán)隊(duì)則將重點(diǎn)放在加快模型的驗(yàn)證和訓(xùn)練，在物體識別和模型訓(xùn)練的流程上面做出改變，使得整個(gè)過程能做出更快更準(zhǔn)確的識別結(jié)果，在這個(gè)基礎(chǔ)上進(jìn)行更多的創(chuàng)新，比如在物體識別方面，在描述物體本身時(shí)，物體可能是動(dòng)態(tài)的，甚至外表也會(huì)發(fā)生變化，比如一把吉他，它可能是豎著的，也可能是橫著的，甚至可以旋轉(zhuǎn)，但這些運(yùn)動(dòng)和形變都是有規(guī)律的，而一個(gè)物體往往不是獨(dú)立的，而是和周圍環(huán)境相關(guān)，比如鴨子可以在水上游而不是在天上飛這就需要團(tuán)隊(duì)設(shè)計(jì)一個(gè)新的模型去學(xué)習(xí)這些形變。歐陽萬里博士表示，DeepID-Net團(tuán)隊(duì)的這些創(chuàng)新的研究成果也可以應(yīng)用于谷歌等大公司的模型。
王曉剛教授認(rèn)為，大公司確實(shí)有更多的資金和資源，但是他們可能會(huì)過于依賴自身的這些優(yōu)勢，比如他們可能會(huì)通過增加計(jì)算資源嘗試更多的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)組合，不斷提升成績，而DeepID-Net團(tuán)隊(duì)沒有這些優(yōu)勢，那么就通過創(chuàng)新、優(yōu)化模型和流程，仍然可以達(dá)到同等的甚至更好的研究成果，不過王教授同樣認(rèn)為兩者并不沖突，而是互補(bǔ)的，“我們的研究成果他們可以用，他們做的成果我們也可以用，大家在不同的方向上，但目標(biāo)是一致的。”
論文第一作者歐陽萬里博士
歐陽萬里博士和王曉剛教授向記者強(qiáng)調(diào)，雖然DeepID-Net團(tuán)隊(duì)的實(shí)驗(yàn)室硬件資源無法和谷歌等公司相比，但與其他科研團(tuán)體相比則絕對處于一流水準(zhǔn)，DeepID-Net團(tuán)隊(duì)的研發(fā)是基于NVIDIA Tesla K40 GPU卡，性能不斷升級的硬件可以讓團(tuán)隊(duì)驗(yàn)證更多的方法，嘗試更多的模型。而NVIDIA已經(jīng)和DeepID-Net團(tuán)隊(duì)聯(lián)合建立了研究中心，為團(tuán)隊(duì)提供硬件和技術(shù)支持，而硬件性能的提升則會(huì)帶來另外一個(gè)問題，隨著技術(shù)的不斷發(fā)展，團(tuán)隊(duì)對硬件的需求也會(huì)隨之變高，現(xiàn)在GPU的性能提升，而團(tuán)隊(duì)設(shè)計(jì)模型也更復(fù)雜，不過此消彼長之下，帶來的是成績的提升。
在談到具體的應(yīng)用領(lǐng)域時(shí)，兩位專家一致認(rèn)為，無論是人臉識別還是物體檢測，都有著廣闊的應(yīng)用前景，比如在安防、交通等方面，它可以從一群人中迅速識別出特定的個(gè)體，找到特定的車輛；我們在網(wǎng)絡(luò)上搜索特定圖片，網(wǎng)購時(shí)尋找心儀的商品等等。
目前，DeepID-Net團(tuán)隊(duì)向記者表示，50.3%的物體檢測率雖然已經(jīng)稱冠全球，但與人眼相比準(zhǔn)確度仍然偏低。王曉剛教授表示團(tuán)隊(duì)希望能進(jìn)一步提升檢測率，并且提出了更高難度的任務(wù)，比如圖像分割、根據(jù)圖像恢復(fù)三維信息；另外，現(xiàn)在做的只是靜態(tài)的圖像識別，計(jì)算機(jī)視覺在視頻領(lǐng)域還有大量的工作要做，但視頻相比圖像要更為復(fù)雜，信息量也更大，難度將提升一個(gè)數(shù)量級別，DeepID-Net團(tuán)隊(duì)有望在將來挑戰(zhàn)這個(gè)領(lǐng)域。
聯(lián)系客服
