人工智慧是人類一個非常美好的夢想，跟星際漫遊和長生不老一樣。我們想製造出一種機器，使得它跟人一樣具有一定的對外界事物感知能力，比如看見世界。

在上世紀50年代，數學家圖靈提出判斷機器是否具有人工智慧的標準：圖靈測試。即把機器放在一個房間，人類測試員在另一個房間，人跟機器聊天，測試員事先不知道另一房間裡是人還是機器 。經過聊天，如果測試員不能確定跟他聊天的是人還是機器的話，那麼圖靈測試就通過了，也就是說這個機器具有與人一樣的感知能力。

但是從圖靈測試提出來開始到本世紀初，50多年時間有無數科學家提出很多機器學習的演算法，試圖讓計算機具有與人一樣的智力水平，但直到2006年深度學習演算法的成功，才帶來了一絲解決的希望。

眾星捧月的深度學習

深度學習在很多學術領域，比非深度學習演算法往往有20-30%成績的提高。很多大公司也逐漸開始出手投資這種演算法，併成立自己的深度學習團隊，其中投入最大的就是谷歌，2008年6月披露了谷歌腦專案。2014年1月谷歌收購DeepMind，然後2016年3月其開發的Alphago演算法在圍棋挑戰賽中，戰勝了韓國九段棋手李世石，證明深度學習設計出的演算法可以戰勝這個世界上最強的選手。

在硬體方面，Nvidia最開始做顯示晶片，但從2006及2007年開始主推用GPU晶片進行通用計算，它特別適合深度學習中大量簡單重複的計算量。目前很多人選擇Nvidia的CUDA工具包進行深度學習軟體的開發。

微軟從2012年開始，利用深度學習進行

百度在2013年宣佈成立百度研究院，其中最重要的就是百度深度學習研究所，當時招募了著名科學家餘凱博士。不過後來餘凱離開百度，創立了另一家從事深度學習演算法開發的公司地平線。

Facebook和Twitter也都各自進行了深度學習研究，其中前者攜手紐約大學教授Yann Lecun，建立了自己的深度學習演算法實驗室；2015年10月，Facebook宣佈開源其深度學習演算法框架，即Torch框架。Twitter在2014年7月收購了Madbits，為使用者提供高精度的影象檢索服務。

前深度學習時代的計算機視覺

網際網路巨頭看重深度學習當然不是為了學術，主要是它能帶來巨大的市場。那為什麼在深度學習出來之前，傳統演算法為什麼沒有達到深度學習的精度？

在深度學習演算法出來之前，對於視覺演算法來說，大致可以分為以下5個步驟：特徵感知，影象預處理，特徵提取，特徵篩選，推理預測與識別。早期的機器學習中，佔優勢的統計機器學習群體中，對特徵是不大關心的。

我認為，計算機視覺可以說是機器學習在視覺領域的應用，所以計算機視覺在採用這些機器學習方法的時候，不得不自己設計前面4個部分。

但對任何人來說這都是一個比較難的任務。傳統的計算機識別方法把特徵提取和分類器設計分開來做，然後在應用時再合在一起，比如如果輸入是一個摩托車影象的話，首先要有一個特徵表達或者特徵提取的過程，然後把表達出來的特徵放到學習演算法中進行分類的學習。

過去20年中出現了不少優秀的特徵運算元，比如最著名的SIFT運算元，即所謂的對尺度旋轉保持不變的運算元。它被廣泛地應用在影象比對，特別是所謂的structure from motion這些應用中，有一些成功的應用例子。另一個是HoG運算元，它可以提取物體，比較魯棒的物體邊緣，在物體檢測中扮演著重要的角色。

這些運算元還包括Textons，Spin image，RIFT和GLOH，都是在深度學習誕生之前或者深度學習真正的流行起來之前，佔領視覺演算法的主流。

幾個（半）成功例子

這些特徵和一些特定的分類器組合取得了一些成功或半成功的例子，基本達到了商業化的要求但還沒有完全商業化。

• 一是八九十年代的指紋識別演算法，它已經非常成熟，一般是在指紋的圖案上面去尋找一些關鍵點，尋找具有特殊幾何特徵的點，然後把兩個指紋的關鍵點進行比對，判斷是否匹配。

• 然後是2001年基於Haar的人臉檢測演算法，在當時的硬體條件下已經能夠達到實時人臉檢測，我們現在所有手機相機裡的人臉檢測，都是基於它或者它的變種。

• 第三個是基於HoG特徵的物體檢測，它和所對應的SVM分類器組合起來的就是著名的DPM演算法。DPM演算法在物體檢測上超過了所有的演算法，取得了比較不錯的成績。

但這種成功例子太少了，因為手工設計特徵需要大量的經驗，需要你對這個領域和資料特別瞭解，然後設計出來特徵還需要大量的除錯工作。說白了就是需要一點運氣。

另一個難點在於，你不只需要手工設計特徵，還要在此基礎上有一個比較合適的分類器演算法。同時設計特徵然後選擇一個分類器，這兩者合併達到最優的效果，幾乎是不可能完成的任務。

仿生學角度看深度學習

如果不手動設計特徵，不挑選分類器，有沒有別的方案呢？能不能同時學習特徵和分類器？即輸入某一個模型的時候，輸入只是圖片，輸出就是它自己的標籤。比如輸入一個明星的頭像，出來的標籤就是一個50維的向量（如果要在50個人裡識別的話），其中對應明星的向量是1，其他的位置是0。

這種設定符合人類腦科學的研究成果。

1981年諾貝爾醫學生理學獎頒發給了David Hubel，一位神經生物學家。他的主要研究成果是發現了視覺系統資訊處理機制，證明大腦的可視皮層是分級的。他的貢獻主要有兩個，一是他認為人的視覺功能一個是抽象，一個是迭代。抽象就是把非常具體的形象的元素，即原始的光線畫素等資訊，抽象出來形成有意義的概念。這些有意義的概念又會往上迭代，變成更加抽象，人可以感知到的抽象概念。

畫素是沒有抽象意義的，但人腦可以把這些畫素連線成邊緣，邊緣相對畫素來說就變成了比較抽象的概念；邊緣進而形成球形，球形然後到氣球，又是一個抽象的過程，大腦最終就知道看到的是一個氣球。

模擬人腦識別人臉，也是抽象迭代的過程，從最開始的畫素到第二層的邊緣，再到人臉的部分，然後到整張人臉，是一個抽象迭代的過程。

再比如看到圖片中的摩托車，我們可能在腦子裡就幾微秒的時間，但是經過了大量的神經元抽象迭代。對計算機來說最開始看到的根本也不是摩托車，而是RGB影象三個通道上不同的數字。

所謂的特徵或者視覺特徵，就是把這些數值給綜合起來用統計或非統計的形式，把摩托車的部件或者整輛摩托車表現出來。深度學習的流行之前，大部分的設計影象特徵就是基於此，即把一個區域內的畫素級別的資訊綜合表現出來，利於後面的分類學習。

如果要完全模擬人腦，我們也要模擬抽象和遞迴迭代的過程，把資訊從最細瑣的畫素級別，抽象到“種類”的概念，讓人能夠接受。

卷積的概念

計算機視覺裡經常使卷積神經網路，即CNN，是一種對人腦比較精準的模擬。

什麼是卷積？卷積就是兩個函式之間的相互關係，然後得出一個新的值，他是在連續空間做積分計算，然後在離散空間內求和的過程。實際上在計算機視覺裡面，可以把卷積當做一個抽象的過程，就是把小區域內的資訊統計抽象出來。

比如，對於一張愛因斯坦的照片，我可以學習n個不同的卷積和函式，然後對這個區域進行統計。可以用不同的方法統計，比如著重統計中央，也可以著重統計周圍，這就導致統計的和函式的種類多種多樣，為了達到可以同時學習多個統計的累積和。

上圖中是，如何從輸入影象怎麼到最後的卷積，生成的響應map。首先用學習好的卷積和對影象進行掃描，然後每一個卷積和會生成一個掃描的響應圖，我們叫response map，或者叫feature map。如果有多個卷積和，就有多個feature map。也就說從一個最開始的輸入影象（RGB三個通道）可以得到256個通道的feature map，因為有256個卷積和，每個卷積和代表一種統計抽象的方式。

在卷積神經網路中，除了卷積層，還有一種叫池化的操作。池化操作在統計上的概念更明確，就是一個對一個小區域內求平均值或者求最大值的統計操作。

帶來的結果是，如果之前我輸入有兩個通道的，或者256通道的卷積的響應feature map，每一個feature map都經過一個求最大的一個池化層，會得到一個比原來feature map更小的256的feature map。

在上面這個例子裡，池化層對每一個2X2的區域求最大值，然後把最大值賦給生成的feature map的對應位置。如果輸入影象是100×100的話，那輸出影象就會變成50×50，feature map變成了一半。同時保留的資訊是原來2X2區域裡面最大的資訊。

操作的例項：LeNet網路

Le顧名思義就是指人工智慧領域的大牛Lecun。這個網路是深度學習網路的最初原型，因為之前的網路都比較淺，它較深的。LeNet在98年就發明出來了，當時Lecun在AT&T的實驗室，他用這一網路進行字母識別，達到了非常好的效果。

怎麼構成呢？輸入影象是32×32的灰度圖，第一層經過了一組卷積和，生成了6個28X28的feature map，然後經過一個池化層，得到得到6個14X14的feature map，然後再經過一個卷積層，生成了16個10X10的卷積層，再經過池化層生成16個5×5的feature map。

從最後16個5X5的feature map開始，經過了3個全連線層，達到最後的輸出，輸出就是標籤空間的輸出。由於設計的是隻要對0到9進行識別，所以輸出空間是10，如果要對10個數字再加上26個大小字母進行識別的話，輸出空間就是62。62維向量裡，如果某一個維度上的值最大，它對應的那個字母和數字就是就是預測結果。

壓在駱駝身上的最後一根稻草

從98年到本世紀初，深度學習興盛起來用了15年，但當時成果泛善可陳，一度被邊緣化。到2012年，深度學習演算法在部分領域取得不錯的成績，而壓在駱駝身上最後一根稻草就是AlexNet。

AlexNet由多倫多大學幾個科學家開發，在ImageNet比賽上做到了非常好的效果。當時AlexNet識別效果超過了所有淺層的方法。此後，大家認識到深度學習的時代終於來了，並有人用它做其它的應用，同時也有些人開始開發新的網路結構。

其實AlexNet的結構也很簡單，只是LeNet的放大版。輸入是一個224X224的圖片，是經過了若干個卷積層，若干個池化層，最後連線了兩個全連線層，達到了最後的標籤空間。

去年，有些人研究出來怎麼樣視覺化深度學習出來的特徵。那麼，AlexNet學習出的特徵是什麼樣子？在第一層，都是一些填充的塊狀物和邊界等特徵；中間的層開始學習一些紋理特徵；更高接近分類器的層級，則可以明顯看到的物體形狀的特徵。

最後的一層，即分類層，完全是物體的不同的姿態，根據不同的物體展現出不同姿態的特徵了。

可以說，不論是對人臉，車輛，大象或椅子進行識別，最開始學到的東西都是邊緣，繼而就是物體的部分，然後在更高層層級才能抽象到物體的整體。整個卷積神經網路在模擬人的抽象和迭代的過程。

為什麼時隔20年捲土重來？

我們不禁要問：似乎卷積神經網路設計也不是很複雜，98年就已經有一個比較像樣的雛形了。自由換演算法和理論證明也沒有太多進展。那為什麼時隔20年，卷積神經網路才能捲土重來，佔領主流？

這一問題與卷積神經網路本身的技術關係不太大，我個人認為與其他一些客觀因素有關。

• 首先，卷積神經網路的深度太淺的話，識別能力往往不如一般的淺層模型，比如SVM或者boosting。但如果做得很深，就需要大量資料進行訓練，否則機器學習中的過擬合將不可避免。而2006及2007年開始，正好是網際網路開始大量產生各種各樣的圖片資料的時候。

• 另外一個條件是運算能力。卷積神經網路對計算機的運算要求比較高，需要大量重複可並行化的計算，在當時CPU只有單核且運算能力比較低的情況下，不可能進行個很深的卷積神經網路的訓練。隨著GPU計算能力的增長，卷積神經網路結合大資料的訓練才成為可能。

• 最後一點就是人和。卷積神經網路有一批一直在堅持的科學家（如Lecun）才沒有被沉默，才沒有被海量的淺層方法淹沒。然後最後終於看到卷積神經網路佔領主流的曙光。

深度學習在視覺上的應用

計算機視覺中比較成功的深度學習的應用，包括人臉識別，影象問答，物體檢測，物體跟蹤。

人臉識別

這裡說人臉識別中的人臉比對，即得到一張人臉，與資料庫裡的人臉進行比對；或同時給兩張人臉，判斷是不是同一個人。

這方面比較超前的是湯曉鷗教授，他們提出的DeepID演算法在LWF上做得比較好。他們也是用卷積神經網路，但在做比對時，兩張人臉分別提取了不同位置特徵，然後再進行互相比對，得到最後的比對結果。最新的DeepID-3演算法，在LWF達到了99.53%準確度，與肉眼識別結果相差無幾。

圖片問答問題

這是2014年左右興起的課題，即給張圖片同時問個問題，然後讓計算機回答。比如有一個辦公室靠海的圖片，然後問“桌子後面有什麼”，神經網路輸出應該是“椅子和窗戶”。

這一應用引入了LSTM網路，這是一個專門設計出來具有一定記憶能力的神經單元。特點是，會把某一個時刻的輸出當作下一個時刻的輸入。可以認為它比較適合語言等，有時間序列關係的場景。因為我們在讀一篇文章和句子的時候，對句子後面的理解是基於前面對詞語的記憶。

影象問答問題是基於卷積神經網路和LSTM單元的結合，來實現影象問答。LSTM輸出就應該是想要的答案，而輸入的就是上一個時刻的輸入，以及影象的特徵，及問句的每個詞語。

物體檢測問題

Region CNN

深度學習在物體檢測方面也取得了非常好的成果。2014年的Region CNN演算法，基本思想是首先用一個非深度的方法，在影象中提取可能是物體的圖形塊，然後深度學習演算法根據這些影象塊，判斷屬性和一個具體物體的位置。

為什麼要用非深度的方法先提取可能的影象塊？因為在做物體檢測的時候，如果你用掃描窗的方法進行物體監測，要考慮到掃描窗大小的不一樣，長寬比和位置不一樣，如果每一個影象塊都要過一遍深度網路的話，這種時間是你無法接受的。

所以用了一個折中的方法，叫Selective Search。先把完全不可能是物體的影象塊去除，只剩2000左右的影象塊放到深度網路裡面判斷。那麼取得的成績是AP是58.5，比以往幾乎翻了一倍。有一點不盡如人意的是，region CNN的速度非常慢，需要10到45秒處理一張圖片。

Faster R-CNN方法

而且我在去年NIPS上，我們看到的有Faster R-CNN方法，一個超級加速版R-CNN方法。它的速度達到了每秒七幀，即一秒鐘可以處理七張圖片。技巧在於，不是用影象塊來判斷是物體還是背景，而把整張影象一起扔進深度網路裡，讓深度網路自行判斷哪裡有物體，物體的方塊在哪裡，種類是什麼？

經過深度網路運算的次數從原來的2000次降到一次，速度大大提高了。

Faster R-CNN提出了讓深度學習自己生成可能的物體塊，再用同樣深度網路來判斷物體塊是否是背景？同時進行分類，還要把邊界和給估計出來。

Faster R-CNN可以做到又快又好，在VOC2007上檢測AP達到73.2，速度也提高了兩三百倍。

YOLO

去年FACEBOOK提出來的YOLO網路，也是進行物體檢測，最快達到每秒鐘155幀，達到了完全實時。它讓一整張影象進入到神經網路，讓神經網路自己判斷這物體可能在哪裡，可能是什麼。但它縮減了可能影象塊的個數，從原來Faster R-CNN的2000多個縮減縮減到了98個。

同時取消了Faster R-CNN裡面的RPN接面構，代替Selective Search結構。YOLO裡面沒有RPN這一步，而是直接預測物體的種類和位置。

YOLO的代價就是精度下降，在155幀的速度下精度只有52.7，45幀每秒時的精度是63.4。

SSD

在arXiv上出現的最新演算法叫Single Shot MultiBox Detector，即SSD。

它是YOLO的超級改進版，吸取了YOLO的精度下降的教訓，同時保留速度快的特點。它能達到58幀每秒，精度有72.1。速度超過Faster R-CNN 有8倍，但達到類似的精度。

物體跟蹤

所謂跟蹤，就是在視訊裡面第一幀時鎖定感興趣的物體，讓計算機跟著走，不管怎麼旋轉晃動，甚至躲在樹叢後面也要跟蹤。

深度學習對跟蹤問題有很顯著的效果。DeepTrack演算法是我在澳大利亞資訊科技研究院時和同事提出的，是第一線上用深度學習進行跟蹤的文章，當時超過了其它所有的淺層演算法。

今年有越來越多深度學習跟蹤演算法提出。去年十二月ICCV 2015上面，馬超提出的Hierarchical Convolutional Feature演算法，在資料上達到最新的記錄。它不是線上更新一個深度學習網路，而是用一個大網路進行預訓練，然後讓大網路知道什麼是物體什麼不是物體。

將大網路放在跟蹤視訊上面，然後再分析網路在視訊上產生的不同特徵，用比較成熟的淺層跟蹤演算法來進行跟蹤，這樣利用了深度學習特徵學習比較好的好處，同時又利用了淺層方法速度較快的優點。效果是每秒鐘10幀，同時精度破了記錄。

最新的跟蹤成果是基於Hierarchical Convolutional Feature，由一個韓國的科研組提出的MDnet。它集合了前面兩種深度演算法的集大成，首先離線的時候有學習，學習的不是一般的物體檢測，也不是ImageNet，學習的是跟蹤視訊，然後在學習視訊結束後，在真正在使用網路的時候更新網路的一部分。這樣既在離線的時候得到了大量的訓練，線上的時候又能夠很靈活改變自己的網路。

基於嵌入式系統的深度學習

回到ADAS問題（慧眼科技的主業），它完全可以用深度學習演算法，但對硬體平臺有比較高的要求。在汽車上不太可能把一臺電腦放上去，因為功率是個問題，很難被市場所接受。

現在的深度學習計算主要是在雲端進行，前端拍攝照片，傳給後端的雲平臺處理。但對於ADAS而言，無法接受長時間的資料傳輸的，或許發生事故後，雲端的資料還沒傳回來。

那是否可以考慮NVIDIA推出的嵌入式平臺？NVIDIA推出的嵌入式平臺，其運算能力遠遠強過了所有主流的嵌入式平臺，運算能力接近主流的頂級CPU，如桌上型電腦的i7。那麼慧眼科技在做工作就是要使得深度學習演算法，在嵌入式平臺有限的資源情況下能夠達到實時效果，而且精度幾乎沒有減少。

具體做法是，首先對網路進行縮減，可能是對網路的結構縮減，由於識別場景不同，也要進行相應的功能性縮減；另外要用最快的深度檢測演算法，結合最快的深度跟蹤演算法，同時自己研發出一些場景分析演算法。三者結合在一起，目的是減少運算量，減少檢測空間的大小。在這種情況下，在有限資源上實現了使用深度學習演算法，但精度減少的非常少。