現(xiàn)有的計(jì)算機(jī)視覺分類與現(xiàn)實(shí)世界的場(chǎng)景之間存在相當(dāng)大的差距
當(dāng)以為生態(tài)學(xué)家想利用現(xiàn)有的CV技術(shù)來識(shí)別相機(jī)中所捕捉到的野生動(dòng)物時(shí)，不出意外地，由于沒有足夠的訓(xùn)練數(shù)據(jù)，系統(tǒng)失敗了……
更令人悲傷的是，在此類情境中，收集更多數(shù)據(jù)是非常不現(xiàn)實(shí)的。
對(duì)于一些瀕臨滅絕的野生珍稀動(dòng)物，人們往往要花很長(zhǎng)的時(shí)間，甚至要等上好幾年才能成功拍到一次照片。與此同時(shí)，新的動(dòng)物物種不斷出現(xiàn)，舊的動(dòng)物物種不斷離開。在自然界這個(gè)動(dòng)態(tài)系統(tǒng)中，識(shí)別對(duì)象的總分類數(shù)從來沒有固定過。
即使現(xiàn)有的計(jì)算機(jī)視覺技術(shù)在大眾類別上做得再好，比如精準(zhǔn)識(shí)別出人類和貓狗等，但對(duì)于這些不均衡的分類對(duì)象，現(xiàn)在的方法依然無能為力。
之所以出現(xiàn)這種問題，核心原因或在于：面對(duì)實(shí)際應(yīng)用時(shí)，機(jī)器視覺的分類任務(wù)不應(yīng)該被作為單項(xiàng)任務(wù)來對(duì)待并解決，而應(yīng)該當(dāng)成一個(gè)整體來看待。即一個(gè)能夠?qū)ι贁?shù)擁有海量ImageNet數(shù)據(jù)集的常見類別，以及大多數(shù)罕見類別，都能夠進(jìn)行分類的實(shí)用系統(tǒng)。
要實(shí)現(xiàn)這一點(diǎn)，就要求CV系統(tǒng)具備一種能力，能夠從幾個(gè)已知的事例中推導(dǎo)出單一類別的概念，并對(duì)一個(gè)從未見過的類別的實(shí)際圖例對(duì)應(yīng)上新的概念。這就不再是邏輯命題，而是智慧型的學(xué)習(xí)命題了。為了盡可能地消滅“次元壁”中存在的“視覺盲點(diǎn)”，OLTR開放長(zhǎng)尾識(shí)別框架應(yīng)運(yùn)而生。
如上所述，“開放長(zhǎng)尾識(shí)別”(OLTR)的核心任務(wù)目標(biāo)，就是讓系統(tǒng)能夠從長(zhǎng)尾數(shù)據(jù)和開放的分布式數(shù)據(jù)中進(jìn)行學(xué)習(xí)，能夠在包括頭、尾和開放類的平衡測(cè)試集上表現(xiàn)出較好的分類精度。
也就是說，除了一些主流的樣本豐富的對(duì)象，對(duì)于數(shù)據(jù)匱乏的、分布廣泛導(dǎo)致出現(xiàn)頻率不均衡的物體，系統(tǒng)也能夠做到很好的識(shí)別。
顯然，有了OLTR的機(jī)器視覺會(huì)變得能力更全面，也更符合現(xiàn)實(shí)環(huán)境的需求。它的特殊之處，主要依靠視覺記憶能力來實(shí)現(xiàn)。
研究人員將圖像映射到一個(gè)特征空間，將圖像特征和記憶特征結(jié)合在一起，這樣視覺系統(tǒng)就可以基于封閉環(huán)境分類的學(xué)習(xí)度量，對(duì)開放世界中存在的新穎物體和長(zhǎng)尾類進(jìn)行理解。即使在缺乏觀察數(shù)據(jù)和特征的情況下，視覺記憶也能夠?qū)﹂_放類進(jìn)行理解并努力識(shí)別。
讓CV系統(tǒng)具備視覺記憶能力
實(shí)驗(yàn)結(jié)果顯示，記憶特征的加入，使得CV系統(tǒng)能夠更好地激活起視覺神經(jīng)元。比如，識(shí)別“公雞”這一長(zhǎng)尾類物體（位于下圖左上角cock）時(shí)，具有記憶功能的CV系統(tǒng)已經(jīng)學(xué)會(huì)了將其轉(zhuǎn)換為“鳥頭”、“圓型”和“虛線紋理”的視覺概念，并將被普通CV模型錯(cuò)誤分類的圖片正確地識(shí)別了出來。
從內(nèi)存特性中注入視覺記憶特征的系統(tǒng)示例
在現(xiàn)實(shí)任務(wù)中，這種新方法也表現(xiàn)出了極強(qiáng)的開放性，能夠在不犧牲豐富類的前提下，對(duì)稀缺類別的識(shí)別實(shí)現(xiàn)明顯的改進(jìn)。
以前面提到的認(rèn)識(shí)野生動(dòng)物為例，對(duì)于那些圖像不超過40幅的種類，OLTR實(shí)現(xiàn)了從25%到66%的性能提升。
與目前大多數(shù)計(jì)算機(jī)視覺方案相比，OLTR顯然更符合數(shù)據(jù)自然分布的真實(shí)世界。那么，它的出現(xiàn)最有可能給哪些CV技術(shù)帶來改變呢？
可以明確的是，OLTR的出現(xiàn)，解決了CV領(lǐng)域最為經(jīng)典的問題之一——分類（classification）。那么，自然也就間接影響了分類問題的諸多應(yīng)用領(lǐng)域。其中，比較多的就是目標(biāo)檢測(cè)和圖像分割。
先說說目標(biāo)檢測(cè)。
目標(biāo)檢測(cè)已經(jīng)在諸多產(chǎn)業(yè)中都有應(yīng)用，簡(jiǎn)單的論文也越來越難發(fā)表了，比如手機(jī)拍照中用一個(gè)框來定位人臉，或者是智能監(jiān)控中的人體定位，都屬于目標(biāo)檢測(cè)的范疇。
但關(guān)于它的技術(shù)探索還遠(yuǎn)沒有達(dá)到勸退科學(xué)家的程度，這是因?yàn)?，目?biāo)檢測(cè)算法目前還存在著不少亟待突破的難點(diǎn)：
比如數(shù)據(jù)標(biāo)注的巨大成本，能不能通過更有小弟分類來解決；小規(guī)模數(shù)據(jù)的監(jiān)督學(xué)習(xí)怎樣才能更有效地提升精度；對(duì)單圖像單類別場(chǎng)景進(jìn)行弱監(jiān)督多類檢測(cè)學(xué)習(xí)等等。
這些都是應(yīng)用場(chǎng)景中比較需要關(guān)注的問題，恰好也是OLTR能夠帶來改變的地方。
再說圖像分割。簡(jiǎn)單來說就說輸入一張圖片，然后對(duì)每一個(gè)像素點(diǎn)都進(jìn)行分類標(biāo)記，則完成了對(duì)整個(gè)圖片的分割。
比如深度學(xué)習(xí)對(duì)醫(yī)學(xué)影像進(jìn)行解讀和診斷，自動(dòng)駕駛汽車區(qū)分人、車、障礙物等，就采用了語義分割的技術(shù)。
但該類算法目前面臨著三大難題：一是計(jì)算成本高，要保證準(zhǔn)確率，需要的存儲(chǔ)空間和數(shù)據(jù)都非常龐大。二是計(jì)算效率低，由于需要對(duì)每個(gè)像素塊進(jìn)行計(jì)算卷積，造成了很大程度的重復(fù)和算力浪費(fèi)；三是性能桎梏，受像素塊的限制，感知神經(jīng)元往往只能提取一些局部特征，從而影響分類識(shí)別的準(zhǔn)確率。
節(jié)約計(jì)算量、盡可能考慮全局信息、高性能分類，是圖像分割未來迭代的重點(diǎn)。
此時(shí)，OLTR的優(yōu)勢(shì)就展現(xiàn)出來了。
首先，它用增強(qiáng)視覺記憶的方式，幫助CV系統(tǒng)在頭部類別的基礎(chǔ)上完成尾部、開放類別的特征分類與學(xué)習(xí)，這意味著可以告別超大規(guī)模的數(shù)據(jù)集，通過小樣本的無監(jiān)督學(xué)習(xí)一樣能夠達(dá)到同樣的高精度性能，降低了計(jì)算機(jī)視覺的應(yīng)用和訓(xùn)練成本。
其次，由于OLTR具有通用化、整體性的分類能力，使得CV系統(tǒng)能夠在現(xiàn)實(shí)環(huán)境中表現(xiàn)的更好，尤其是面對(duì)一些出現(xiàn)頻率低、難以進(jìn)行監(jiān)督訓(xùn)練的物體時(shí)，系統(tǒng)能夠根據(jù)以往的“經(jīng)驗(yàn)”為其賦予新的視覺概念并識(shí)別出來。對(duì)于性能要求極高的自動(dòng)駕駛、醫(yī)療診斷等應(yīng)用來說，無疑是雪中送炭。
總而言之，OLTR的出現(xiàn)，將給CV算法、軟件與產(chǎn)業(yè)應(yīng)用都帶來不小的改變。但其勢(shì)能有多大，還需要有越來越多的開發(fā)者和企業(yè)開始嘗試用其解決現(xiàn)實(shí)問題，逐步迭代升級(jí)，后續(xù)想必還會(huì)有不少驚喜。
即使是習(xí)以為常的技術(shù)，也有自我思考和蝶變的可能。身處時(shí)代變革中心的我們，不妨共同期待一下CPVR 2019還有哪些創(chuàng)造。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請(qǐng)綁定手機(jī)號(hào)后發(fā)表評(píng)論
有水平好文章！