深度学习时代的计算机视觉

在上世纪50年代，数学家图灵提出判断机器是否具有人工智能的标准：图灵测试。图灵测试是指测试者在与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。

图灵测试一词来源于计算机科学和密码学的先驱阿兰·麦席森·图灵写于1950年的一篇论文《计算机器与智能》，其中30%是图灵对2000年时的机器思考能力的一个预测，但是从图灵测试提出来开始到本世纪初，50多年时间有无数科学家提出很多机器学习的算法，试图让计算机具有与人一样的智力水平，但直到2006年深度学习算法的成功，才带来了一丝解决的希望。

前深度学习时代的计算机视觉

为什么深度学习之前，传统计算机视觉算法在人脸识别、跟踪、目标检测等诸多领域没有达到深度学习的精度呢？回答这一问题，需要我们先了解传统算法的特点。

对于视觉算法来说，大致可以分为以下4个步骤：图像预处理、特征提取、特征筛选、推理预测与识别。计算机视觉可以说是机器学习在视觉领域的应用，所以计算机视觉在采用这些机器学习方法的时候，不得不自己设计前面3个部分。但对任何人来说这都是一个比较难的任务。

传统的计算机识别方法把特征提取和分类器设计分开来做，然后在应用时再合在一起，比如如果输入是一个摩托车图像的话，首先要有一个特征表达或者特征提取的过程，然后把表达出来的特征放到学习算法中进行分类的学习。

过去20年中出现了不少优秀的特征算子，比如最著名的SIFT算子，即所谓的对尺度旋转保持不变的算子。它被广泛地应用在图像比对，特别是所谓的structure from motion这些应用中，有一些成功的应用例子。另一个是HoG算子，它可以提取物体，比较鲁棒的物体边缘，在物体检测中扮演着重要的角色。

这些算子还包括Textons，Spin image，RIFT和GLOH，都是在深度学习诞生之前或者深度学习真正的流行起来之前，占领视觉算法的主流。

这些特征和一些特定的分类器组合取得了一些成功或半成功的例子，基本达到了商业化的要求但还没有完全商业化。比如指纹识别算法、基于Haar的人脸检测算法、基于HoG特征的物体检测。但这种成功例子太少了，因为手工设计特征需要大量的经验，需要你对这个领域和数据特别了解，然后设计出来特征还需要大量的调试工作。说白了就是需要一点运气。

另一个难点在于，你不只需要手工设计特征，还要在此基础上有一个比较合适的分类器算法。同时设计特征然后选择一个分类器，这两者合并达到最优的效果，几乎是不可能完成的任务。

深度学习时代的计算机视觉

深度学习的前世

深度学习网络的最初原型是人工智能领域的大牛Lecun在1998年AT&T的实验室时发明出来的，当时用这一网络进行字母识别，达到了非常好的效果。

我们不禁要问：似乎卷积神经网络设计也不是很复杂，98年就已经有一个比较像样的雏形了。自由换算法和理论证明也没有太多进展。那为什么时隔20年，卷积神经网络才能卷土重来，占领主流？

这一问题与卷积神经网络本身的技术关系不太大，与其它一些客观因素有关。

首先，深度卷积神经网络需要大量数据进行训练。网络深度太浅的话，识别能力往往不如一般的浅层模型，比如SVM或者boosting；如果做得很深，就需要大量数据进行训练，否则机器学习中的过拟合将不可避免。而2006年开始，正好是互联网开始大量产生各种各样的图片数据的时候，即视觉大数据开始爆发式地增长。

另外一个条件是运算能力。卷积神经网络对计算机的运算要求比较高，需要大量重复可并行化的计算，在当时CPU只有单核且运算能力比较低的情况下，不可能进行个很深的卷积神经网络的训练。随着GPU计算能力的增长，卷积神经网络结合大数据的训练才成为可能。

最后一点就是人和。卷积神经网络有一批一直在坚持的科学家（如Lecun）才没有被沉默，才没有被海量的浅层方法淹没。最后终于看到卷积神经网络占领主流的曙光。

深度学习的今生

深度学习的概念由Hinton等人于2006年提出，具备天时地利人和的深度学习从此一发不可收拾，其在计算机视觉的诸多领域取得的效果远超传统机器学习算法，包括人脸识别、图像问答、物体检测、物体跟踪。

人脸识别方面，工作比较超前的是汤晓鸥教授，他们提出的DeepID算法在LWF上做得比较好。最新的DeepID-3算法，在LWF达到了99.53%准确度，与肉眼识别结果相差无几。

物体检测方面，2014年的Region CNN算法、2015年的Faster R-CNN方法、FACEBOOK提出来的YOLO网络、在arXiv上出现的最新算法叫Single Shot MultiBox Detector在识别精度和速度上均与较大提升。

物体跟踪方面，DeepTrack算法是第一在线用深度学习进行跟踪的文章，当时超过了其它所有的浅层算法。此后越来越多的深度学习跟踪算法提出。

深度学习时代的计算机视觉相关推荐

为什么医学影像AI已进入「后深度学习时代」？
http://blog.itpub.net/29829936/viewspace-2644440/ "深度学习正走向两极化,大部分研究深度学习的人员会偏向于工程化,包括建立更加全面.便捷.快 ...
深度学习图像分类_深度学习时代您应该阅读的10篇文章了解图像分类
深度学习图像分类前言 (Foreword) Computer vision is a subject to convert images and videos into machine-under ...
深度学习实践:计算机视觉_深度学习与传统计算机视觉技术：您应该选择哪个？
深度学习实践:计算机视觉计算机视觉 (Computer Vision) Deep Learning(DL) is undeniably one of the most popular tools u ...
深度学习之对象检测_深度学习时代您应该阅读的12篇文章，以了解对象检测
深度学习之对象检测前言 (Foreword) As the second article in the "Papers You Should Read" series, we a ...
深度学习如何解决计算机视觉的经典图像分类问题
[导读] 深度学习推动计算机视觉.自然语言处理等诸多领域的快速发展.在AI大热和人才奇缺的今天,掌握深度学习成为进入AI领域研究和应用的必备技能.来自亚马逊主任科学家李沐将以计算机视觉的经典问题--图 ...
【论文翻译】Scene Text Detection and Recognition: The Deep Learning Era 场景文本检测和识别：深度学习时代
原文地址:Scene Text Detection and Recognition: The Deep Learning Era 文章目录摘要 1.引言 2.深度学习时代之前的方法 2.1概括 3. ...
GitHub贡献全球第5，超15,000名软件工程师，后深度学习时代英特尔如何「软硬兼施」
作为全球最大的半导体公司(2019年Q1数据),英特尔一直以「硬实力」示人,然而就是这样一家公司却有超过15000名软件工程师,在GitHub的2018贡献排行榜上全球第五. 深度学习时代,英伟达凭借 ...
林倞：Beyond Supervised Deep Learning--后深度学习时代的挑战
点击上方"深度学习大讲堂"可订阅哦! 编者按:在工业界大量资源的投入下,大数据.大规模GPU集群带来了深度学习在计算机视觉领域的全面产业落地,在很多竞赛中甚至取得远超学术界的成绩. ...
前深度学习时代CTR预估模型的演化之路：从LR到FFM\n
本文是王喆在 AI 前线开设的原创技术专栏"深度学习 CTR 预估模型实践"的第二篇文章(以下"深度学习 CTR 预估模型实践"简称"深度 CTR ...

深度学习时代的计算机视觉

前深度学习时代的计算机视觉

深度学习时代的计算机视觉

深度学习时代的计算机视觉相关推荐

最新文章

热门文章