僅用40張圖片就能訓練視覺模型：CVPR 2019伯克利新論文說了什么

在工業(yè)界的熱情參與下，AI行業(yè)大會近年來的發(fā)展可謂是如火如荼。不過，依然很少有哪個能比得上CVPR在計算機視覺領域的影響力。其中， 又以oral口頭報道的文章最具重量級。

那么在CVPR 2019中，又有哪些成果獲此殊榮呢？

伯克利大學研究小組提出的Open Long-Tailed Recognition (OLTR) 開放長尾識別，就為計算機視覺系統(tǒng)在現實世界中的應用提供了新的分類標準。

以往的CV系統(tǒng)存在哪些問題，OLTR又提供了哪些解決方案？不妨通過一篇文章搶先了解一下。

實驗室與現實的距離：神經網絡的“視覺盲點”

長久以來，我們理解中的機器視覺往往是這樣工作的：

研究人員會依據圖像所具有的本身特征先將其分類，然后設計一個算法，使用設定好的數據集進行預訓練。然后，給AI一張圖片，它會根據存儲記憶中已經分好的類別進行識別，查看是否有與該圖像具有相同或類似特征的存儲記憶，從而快速識別出是該圖像。只要投喂足夠多的照片，特征分類足夠準確，識別算法的精準度也會逐步提升。

模式識別技術近兩年突飛猛進，加上在公共安全、工業(yè)、農業(yè)、交通、生物等領域的不斷落地，比如車牌識別、人臉識別、指紋識別、心電圖檢測等等，是應用最為成熟、群眾基礎最為廣泛的AI技術之一。

但，問題也出在這里。

由于訓練數據和測試數據都是在封閉環(huán)境下進行的，比如ImageNet數據集，這與現實世界中的情況卻截然不同。

因為在現實中，充斥著許多無法出現在測試數據集中的開放類別。它們要么數量珍貴而稀少，比如自然界中的野生動物；要么繁多而不規(guī)律，諸如街道標志、時尚品牌、面孔、天氣狀況、街道狀況等等，在日常生活分布的概率也是不平衡的。

如果只是簡單地將現有的計算機視覺分類放在現實中的識別問題上，結果會怎樣呢？伯克利的研究人員告訴你，就是被打臉。

（現有的計算機視覺分類與現實世界的場景之間存在相當大的差距）

當以為生態(tài)學家想利用現有的CV技術來識別相機中所捕捉到的野生動物時，不出意外地，由于沒有足夠的訓練數據，系統(tǒng)失敗了……

更令人悲傷的是，在此類情境中，收集更多數據是非常不現實的。

對于一些瀕臨滅絕的野生珍稀動物，人們往往要花很長的時間，甚至要等上好幾年才能成功拍到一次照片。與此同時，新的動物物種不斷出現，舊的動物物種不斷離開。在自然界這個動態(tài)系統(tǒng)中，識別對象的總分類數從來沒有固定過。

即使現有的計算機視覺技術在大眾類別上做得再好，比如精準識別出人類和貓狗等，但對于這些不均衡的分類對象，現在的方法依然無能為力。

之所以出現這種問題，核心原因或在于：面對實際應用時，機器視覺的分類任務不應該被作為單項任務來對待并解決，而應該當成一個整體來看待。即一個能夠對少數擁有海量ImageNet數據集的常見類別，以及大多數罕見類別，都能夠進行分類的實用系統(tǒng)。

要實現這一點，就要求CV系統(tǒng)具備一種能力，能夠從幾個已知的事例中推導出單一類別的概念，并對一個從未見過的類別的實際圖例對應上新的概念。這就不再是邏輯命題，而是智慧型的學習命題了。為了盡可能地消滅“次元壁”中存在的“視覺盲點”，OLTR開放長尾識別框架應運而生。

OLTR，讓CV系統(tǒng)更全能

如上所述，“開放長尾識別”(OLTR)的核心任務目標，就是讓系統(tǒng)能夠從長尾數據和開放的分布式數據中進行學習，能夠在包括頭、尾和開放類的平衡測試集上表現出較好的分類精度。

也就是說，除了一些主流的樣本豐富的對象，對于數據匱乏的、分布廣泛導致出現頻率不均衡的物體，系統(tǒng)也能夠做到很好的識別。

顯然，有了OLTR的機器視覺會變得能力更全面，也更符合現實環(huán)境的需求。它的特殊之處，主要依靠視覺記憶能力來實現。

研究人員將圖像映射到一個特征空間，將圖像特征和記憶特征結合在一起，這樣視覺系統(tǒng)就可以基于封閉環(huán)境分類的學習度量，對開放世界中存在的新穎物體和長尾類進行理解。即使在缺乏觀察數據和特征的情況下，視覺記憶也能夠對開放類進行理解并努力識別。

（讓CV系統(tǒng)具備視覺記憶能力）

實驗結果顯示，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元。比如，識別“公雞”這一長尾類物體（位于下圖左上角cock）時，具有記憶功能的CV系統(tǒng)已經學會了將其轉換為“鳥頭”、“圓型”和“虛線紋理”的視覺概念，并將被普通CV模型錯誤分類的圖片正確地識別了出來。

（從內存特性中注入視覺記憶特征的系統(tǒng)示例）

在現實任務中，這種新方法也表現出了極強的開放性，能夠在不犧牲豐富類的前提下，對稀缺類別的識別實現明顯的改進。

以前面提到的認識野生動物為例，對于那些圖像不超過40幅的種類，OLTR實現了從25%到66%的性能提升。

與目前大多數計算機視覺方案相比，OLTR顯然更符合數據自然分布的真實世界。那么，它的出現最有可能給哪些CV技術帶來改變呢？

檢測、分割：CV問題的新解法

可以明確的是，OLTR的出現，解決了CV領域最為經典的問題之一——分類（classification）。那么，自然也就間接影響了分類問題的諸多應用領域。其中，比較多的就是目標檢測和圖像分割。

先說說目標檢測。

目標檢測已經在諸多產業(yè)中都有應用，簡單的論文也越來越難發(fā)表了，比如手機拍照中用一個框來定位人臉，或者是智能監(jiān)控中的人體定位，都屬于目標檢測的范疇。

但關于它的技術探索還遠沒有達到勸退科學家的程度，這是因為，目標檢測算法目前還存在著不少亟待突破的難點：

比如數據標注的巨大成本，能不能通過更有小弟分類來解決；小規(guī)模數據的監(jiān)督學習怎樣才能更有效地提升精度；對單圖像單類別場景進行弱監(jiān)督多類檢測學習等等。

這些都是應用場景中比較需要關注的問題，恰好也是OLTR能夠帶來改變的地方。

再說圖像分割。簡單來說就說輸入一張圖片，然后對每一個像素點都進行分類標記，則完成了對整個圖片的分割。

比如深度學習對醫(yī)學影像進行解讀和診斷，自動駕駛汽車區(qū)分人、車、障礙物等，就采用了語義分割的技術。

但該類算法目前面臨著三大難題：一是計算成本高，要保證準確率，需要的存儲空間和數據都非常龐大。二是計算效率低，由于需要對每個像素塊進行計算卷積，造成了很大程度的重復和算力浪費；三是性能桎梏，受像素塊的限制，感知神經元往往只能提取一些局部特征，從而影響分類識別的準確率。

節(jié)約計算量、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。

此時，OLTR的優(yōu)勢就展現出來了。

首先，它用增強視覺記憶的方式，幫助CV系統(tǒng)在頭部類別的基礎上完成尾部、開放類別的特征分類與學習，這意味著可以告別超大規(guī)模的數據集，通過小樣本的無監(jiān)督學習一樣能夠達到同樣的高精度性能，降低了計算機視覺的應用和訓練成本。

其次，由于OLTR具有通用化、整體性的分類能力，使得CV系統(tǒng)能夠在現實環(huán)境中表現的更好，尤其是面對一些出現頻率低、難以進行監(jiān)督訓練的物體時，系統(tǒng)能夠根據以往的“經驗”為其賦予新的視覺概念并識別出來。對于性能要求極高的自動駕駛、醫(yī)療診斷等應用來說，無疑是雪中送炭。

總而言之，OLTR的出現，將給CV算法、軟件與產業(yè)應用都帶來不小的改變。但其勢能有多大，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實問題，逐步迭代升級，后續(xù)想必還會有不少驚喜。

即使是習以為常的技術，也有自我思考和蝶變的可能。身處時代變革中心的我們，不妨共同期待一下CPVR 2019還有哪些創(chuàng)造。

生成海報

免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。