計(jì)算機(jī)視覺(jué)的十年：深度學(xué)習(xí)帶來(lái)變革，經(jīng)典元素仍主導(dǎo)特定挑戰(zhàn)
大數(shù)據(jù)文摘出品
編譯：文摘菌
近些年來(lái)，計(jì)算機(jī)視覺(jué)（CV）的發(fā)展勢(shì)如破竹，滲透到了我們生活的方方面面。對(duì)于大眾而言，這可能像是一項(xiàng)新鮮且令人興奮的科技創(chuàng)新，然而，實(shí)際上并非如此。
事實(shí)上，計(jì)算機(jī)視覺(jué)已經(jīng)有幾十年的發(fā)展歷程，早在20 世紀(jì) 70 年代，已經(jīng)為今日所使用的眾多算法打下了堅(jiān)實(shí)基礎(chǔ)。然后，在大約十年前，一種當(dāng)時(shí)還在理論發(fā)展階段的新技術(shù)浮現(xiàn)眼前：深度學(xué)習(xí)，一種利用神經(jīng)網(wǎng)絡(luò)解決高度復(fù)雜問(wèn)題的 AI 形式，只要你有足夠的數(shù)據(jù)和計(jì)算能力就能驅(qū)動(dòng)它。
隨著深度學(xué)習(xí)的持續(xù)進(jìn)步，我們開(kāi)始認(rèn)識(shí)到它在解決某些計(jì)算機(jī)視覺(jué)問(wèn)題上的表現(xiàn)十分出色。對(duì)于目標(biāo)檢測(cè)和分類(lèi)等挑戰(zhàn)性問(wèn)題，深度學(xué)習(xí)的應(yīng)用效果特別理想。從這時(shí)開(kāi)始，"經(jīng)典"的計(jì)算機(jī)視覺(jué)與基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)開(kāi)始出現(xiàn)明顯的區(qū)別。
什么鎖住了經(jīng)典CV？
然而，深度學(xué)習(xí)的崛起并未將經(jīng)典計(jì)算機(jī)視覺(jué)貶低為過(guò)時(shí)技術(shù)；兩者仍在并行發(fā)展，幫助我們明確哪些問(wèn)題更適合借助大數(shù)據(jù)來(lái)解決，哪些問(wèn)題應(yīng)當(dāng)繼續(xù)使用數(shù)學(xué)和幾何算法來(lái)處理。
盡管深度學(xué)習(xí)能夠革新計(jì)算機(jī)視覺(jué)，但這種神奇的改變只有在有適宜的訓(xùn)練數(shù)據(jù)可供使用，或者在網(wǎng)絡(luò)能獨(dú)立地、在明確的邏輯或幾何約束下進(jìn)行學(xué)習(xí)時(shí)才能顯現(xiàn)。
在過(guò)去，經(jīng)典計(jì)算機(jī)視覺(jué)被用于物體檢測(cè)，識(shí)別特征（如邊緣、角點(diǎn)和紋理）甚至對(duì)每一個(gè)圖片像素進(jìn)行標(biāo)記（語(yǔ)義分割）。然而，這些過(guò)程都非常復(fù)雜且耗時(shí)。
要檢測(cè)物體，需要熟練掌握滑動(dòng)窗口、模式匹配和窮舉搜索等技術(shù)。提取和分類(lèi)特征則需要工程師開(kāi)發(fā)定制的方法。在像素級(jí)別上區(qū)分不同類(lèi)別的對(duì)象需要大量的工作來(lái)劃分不同的區(qū)域，即使是最有經(jīng)驗(yàn)的計(jì)算機(jī)視覺(jué)工程師也并不總能正確地區(qū)分圖像中的每個(gè)像素。
深度學(xué)習(xí)變革目標(biāo)檢測(cè)
相較而言，深度學(xué)習(xí)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN）和基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（R-CNN），已經(jīng)使得物體檢測(cè)變得相對(duì)簡(jiǎn)單，特別是與Google 和 Amazon 等大公司出品的大·圖像數(shù)據(jù)庫(kù)結(jié)合使用時(shí)。只需通過(guò)訓(xùn)練良好的網(wǎng)絡(luò)，無(wú)需明確的手動(dòng)規(guī)則，算法就能在各種情況下檢測(cè)目標(biāo)，且不會(huì)受到視角的限制。
在特征提取方面，深度學(xué)習(xí)只需要一個(gè)有效的算法和豐富多樣的訓(xùn)練數(shù)據(jù)，既能防止模型過(guò)擬合，也能確保在投入生產(chǎn)后面對(duì)新數(shù)據(jù)時(shí)獲得高度的準(zhǔn)確性評(píng)分。在這項(xiàng)任務(wù)上，CNN 表現(xiàn)得尤為出色。此外，當(dāng)深度學(xué)習(xí)被應(yīng)用于語(yǔ)義分割時(shí)，U-net 架構(gòu)表現(xiàn)得非常好，消除了復(fù)雜的手動(dòng)處理的需求。
回看“經(jīng)典算法”
雖然深度學(xué)習(xí)無(wú)疑已經(jīng)徹底改變了計(jì)算機(jī)視覺(jué)的領(lǐng)域，但在同時(shí)定位和映射（SLAM，Simultaneous Localization and Mapping ）以及運(yùn)動(dòng)結(jié)構(gòu)（SFM）等特定挑戰(zhàn)上，經(jīng)典計(jì)算機(jī)視覺(jué)的解決方案仍然優(yōu)于較新的方法。這些問(wèn)題都涉及到使用圖像來(lái)理解和描繪物理空間的尺寸。
SLAM 主要針對(duì)構(gòu)建和更新某個(gè)區(qū)域的地圖，同時(shí)跟蹤代理物體（通常是某種類(lèi)型的機(jī)器人）在地圖中的位置。這種技術(shù)使得自動(dòng)駕駛和機(jī)器人吸塵器等成為了可能。
SFM 也同樣依賴(lài)于先進(jìn)的數(shù)學(xué)和幾何知識(shí)，但其目標(biāo)是使用從無(wú)序圖像集中獲取的多個(gè)視角來(lái)創(chuàng)建物體的三維重建。它適用于不需要實(shí)時(shí)、即時(shí)響應(yīng)的情況。
最初，人們認(rèn)為正確執(zhí)行 SLAM 需要大量的計(jì)算能力。然而，通過(guò)使用近似方法，計(jì)算機(jī)視覺(jué)的先驅(qū)者們能夠使計(jì)算需求更加易于管理。
相比之下，SFM 更為簡(jiǎn)單：與通常涉及傳感器融合的 SLAM 不同，該方法只利用相機(jī)的固有屬性和圖像的特征。與許多由于范圍和分辨率限制而無(wú)法進(jìn)行的激光掃描相比，這是一種經(jīng)濟(jì)高效的方法。其結(jié)果是對(duì)物體的可靠且準(zhǔn)確的表示。
前方的路
深度學(xué)習(xí)仍然無(wú)法像經(jīng)典計(jì)算機(jī)視覺(jué)一樣解決某些問(wèn)題。工程師們應(yīng)繼續(xù)使用傳統(tǒng)技術(shù)來(lái)解決這些問(wèn)題。當(dāng)問(wèn)題涉及復(fù)雜的數(shù)學(xué)和直接觀察，且難以獲取適當(dāng)?shù)挠?xùn)練數(shù)據(jù)集時(shí)，深度學(xué)習(xí)的強(qiáng)大和笨重可能無(wú)法生成優(yōu)雅的解決方案。可以用“瓷器店里的公?！边@個(gè)類(lèi)比來(lái)形容這種情況：就像 ChatGPT 在基本算術(shù)方面肯定不是最高效（或最準(zhǔn)確）的工具一樣，經(jīng)典計(jì)算機(jī)視覺(jué)將繼續(xù)主導(dǎo)特定的挑戰(zhàn)。
經(jīng)典計(jì)算機(jī)視覺(jué)向基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)的部分過(guò)渡給我們帶來(lái)了兩個(gè)主要的啟示。
首先，我們必須認(rèn)識(shí)到，全面替換舊技術(shù)，盡管更簡(jiǎn)單，但卻是錯(cuò)誤的。當(dāng)一個(gè)領(lǐng)域被新技術(shù)打破時(shí)，我們必須謹(jǐn)慎關(guān)注細(xì)節(jié)，并逐個(gè)案例確定哪些問(wèn)題將從新技術(shù)中受益，哪些問(wèn)題仍然更適合使用舊方法。
第二個(gè)啟示是，雖然過(guò)渡帶來(lái)了可擴(kuò)展性，但它也帶來(lái)了一種苦樂(lè)參半的情感。傳統(tǒng)方法確實(shí)更多的是手動(dòng)操作，但這也意味著它們既是藝術(shù)，又是科學(xué)的結(jié)合。從圖像中提取特征、物體、邊緣和關(guān)鍵元素所需的創(chuàng)造力和創(chuàng)新力，并不是來(lái)自深度學(xué)習(xí)，而是來(lái)自深思熟慮。
隨著我們逐漸遠(yuǎn)離經(jīng)典計(jì)算機(jī)視覺(jué)技術(shù)，而工程師有時(shí)候更像是計(jì)算機(jī)視覺(jué)工具的整合者。雖然這對(duì)行業(yè)來(lái)說(shuō)是“好事”，但卻遺憾地放棄了那些更具藝術(shù)性和創(chuàng)造性的元素。未來(lái)的一個(gè)挑戰(zhàn)將是嘗試以其他方式將這種藝術(shù)性融入進(jìn)來(lái)。
理解取代者
在未來(lái)的十年中，預(yù)測(cè)“理解”將最終取代“學(xué)習(xí)”，成為網(wǎng)絡(luò)開(kāi)發(fā)的主要關(guān)注點(diǎn)。重點(diǎn)將不再是網(wǎng)絡(luò)能學(xué)到多少知識(shí)，而是它能深入理解信息的程度以及我們?nèi)绾卧诓唤o予過(guò)多數(shù)據(jù)的情況下促進(jìn)這種理解。我們的目標(biāo)應(yīng)該是讓網(wǎng)絡(luò)能在最少的干預(yù)下得出更深入的結(jié)論。
在計(jì)算機(jī)視覺(jué)領(lǐng)域，接下來(lái)的十年肯定會(huì)帶來(lái)一些驚喜。也許經(jīng)典計(jì)算機(jī)視覺(jué)最終會(huì)變得過(guò)時(shí)。也許深度學(xué)習(xí)也會(huì)被一種尚未被我們聽(tīng)說(shuō)過(guò)的技術(shù)所取代。然而，至少目前來(lái)說(shuō)，這些工具是處理特定任務(wù)的最佳選擇，構(gòu)成了未來(lái)十年計(jì)算機(jī)視覺(jué)發(fā)展的基礎(chǔ)。無(wú)論如何，這都將是一段非常有意義的旅程。
參考來(lái)源：
