深度學(xué)習(xí)在計算機(jī)視覺上的應(yīng)用

計算機(jī)視覺中比較成功的深度學(xué)習(xí)的應(yīng)用，包括人臉識別，圖像問答，物體檢測，物體跟蹤。

人臉識別：

這里說人臉識別中的人臉比對，即得到一張人臉，與數(shù)據(jù)庫里的人臉進(jìn)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算法在LWF上做得比較好。他們也是用卷積神經(jīng)網(wǎng)絡(luò)，但在做比對時，兩張人臉分別提取了不同位置特征，然后再進(jìn)行互相比對，得到最后的比對結(jié)果。最新的DeepID-3算法，在LWF達(dá)到了99.53%準(zhǔn)確度，與肉眼識別結(jié)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，然后讓計算機(jī)回答。比如有一個辦公室靠海的圖片，然后問“桌子后面有什么”，神經(jīng)網(wǎng)絡(luò)輸出應(yīng)該是“椅子和窗戶”。

這一應(yīng)用引入了LSTM網(wǎng)絡(luò)，這是一個專門設(shè)計出來具有一定記憶能力的神經(jīng)單元。特點是，會把某一個時刻的輸出當(dāng)作下一個時刻的輸入?？梢哉J(rèn)為它比較適合語言等，有時間序列關(guān)系的場景。因為我們在讀一篇文章和句子的時候，對句子后面的理解是基于前面對詞語的記憶。

圖像問答問題是基于卷積神經(jīng)網(wǎng)絡(luò)和LSTM單元的結(jié)合，來實現(xiàn)圖像問答。LSTM輸出就應(yīng)該是想要的答案，而輸入的就是上一個時刻的輸入，以及圖像的特征，及問句的每個詞語。

物體檢測問題：

① Region CNN

深度學(xué)習(xí)在物體檢測方面也取得了非常好的成果。2014年的Region CNN算法，基本思想是首先用一個非深度的方法，在圖像中提取可能是物體的圖形塊，然后深度學(xué)習(xí)算法根據(jù)這些圖像塊，判斷屬性和一個具體物體的位置。

為什么要用非深度的方法先提取可能的圖像塊？因為在做物體檢測的時候，如果你用掃描窗的方法進(jìn)行物體監(jiān)測，要考慮到掃描窗大小的不一樣，長寬比和位置不一樣，如果每一個圖像塊都要過一遍深度網(wǎng)絡(luò)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圖像塊去除，只剩2000左右的圖像塊放到深度網(wǎng)絡(luò)里面判斷。那么取得的成績是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。

② 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(dá)到了每秒七幀，即一秒鐘可以處理七張圖片。技巧在于，不是用圖像塊來判斷是物體還是背景，而把整張圖像一起扔進(jìn)深度網(wǎng)絡(luò)里，讓深度網(wǎng)絡(luò)自行判斷哪里有物體，物體的方塊在哪里，種類是什么？

經(jīng)過深度網(wǎng)絡(luò)運算的次數(shù)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(xué)習(xí)自己生成可能的物體塊，再用同樣深度網(wǎng)絡(luò)來判斷物體塊是否是背景？同時進(jìn)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(dá)到73.2，速度也提高了兩三百倍。

③ YOLO

去年FACEBOOK提出來的YOLO網(wǎng)絡(luò)，也是進(jìn)行物體檢測，最快達(dá)到每秒鐘155幀，達(dá)到了完全實時。它讓一整張圖像進(jìn)入到神經(jīng)網(wǎng)絡(luò)，讓神經(jīng)網(wǎng)絡(luò)自己判斷這物體可能在哪里，可能是什么。但它縮減了可能圖像塊的個數(shù)，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里面的RPN結(jié)構(gòu)，代替Selective Search結(jié)構(gòu)。YOLO里面沒有RPN這一步，而是直接預(yù)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。

④ SSD

在arXiv上出現(xiàn)的最新算法叫Single Shot MultiBox Detector，即SSD。

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

物體跟蹤

所謂跟蹤，就是在視頻里面第一幀時鎖定感興趣的物體，讓計算機(jī)跟著走，不管怎么旋轉(zhuǎn)晃動，甚至躲在樹叢后面也要跟蹤。

深度學(xué)習(xí)對跟蹤問題有很顯著的效果。是第一在線用深度學(xué)習(xí)進(jìn)行跟蹤的文章，當(dāng)時超過了其它所有的淺層算法。

今年有越來越多深度學(xué)習(xí)跟蹤算法提出。去年十二月ICCV 2015上面，馬超提出的Hierarchical Convolutional Feature算法，在數(shù)據(jù)上達(dá)到最新的記錄。它不是在線更新一個深度學(xué)習(xí)網(wǎng)絡(luò)，而是用一個大網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，然后讓大網(wǎng)絡(luò)知道什么是物體什么不是物體。

將大網(wǎng)絡(luò)放在跟蹤視頻上面，然后再分析網(wǎng)絡(luò)在視頻上產(chǎn)生的不同特征，用比較成熟的淺層跟蹤算法來進(jìn)行跟蹤，這樣利用了深度學(xué)習(xí)特征學(xué)習(xí)比較好的好處，同時又利用了淺層方法速度較快的優(yōu)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于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算法的集大成，首先離線的時候有學(xué)習(xí)，學(xué)習(xí)的不是一般的物體檢測，也不是ImageNet，學(xué)習(xí)的是跟蹤視頻，然后在學(xué)習(xí)視頻結(jié)束后，在真正在使用網(wǎng)絡(luò)的時候更新網(wǎng)絡(luò)的一部分。這樣既在離線的時候得到了大量的訓(xùn)練，在線的時候又能夠很靈活改變自己的網(wǎng)絡(luò)。

基于嵌入式系統(tǒng)的深度學(xué)習(xí)

回到ADAS問題（慧眼科技的主業(yè)），它完全可以用深度學(xué)習(xí)算法，但對硬件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(xiàn)在的深度學(xué)習(xí)計算主要是在云端進(jìn)行，前端拍攝照片，傳給后端的云平臺處理。但對于ADAS而言，無法接受長時間的數(shù)據(jù)傳輸?shù)?，或許發(fā)生事故后，云端的數(shù)據(jù)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(yuǎn)遠(yuǎn)強(qiáng)過了所有主流的嵌入式平臺，運算能力接近主流的頂級CPU，如臺式機(jī)的i7。那么慧眼科技在做工作就是要使得深度學(xué)習(xí)算法，在嵌入式平臺有限的資源情況下能夠達(dá)到實時效果，而且精度幾乎沒有減少。

具體做法是，首先對網(wǎng)絡(luò)進(jìn)行縮減，可能是對網(wǎng)絡(luò)的結(jié)構(gòu)縮減，由于識別場景不同，也要進(jìn)行相應(yīng)的功能性縮減；另外要用最快的深度檢測算法，結(jié)合最快的深度跟蹤算法，同時自己研發(fā)出一些場景分析算法。三者結(jié)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(xiàn)了使用深度學(xué)習(xí)算法，但精度減少的非常少。