最近斯坦福大學(xué)一篇論文《Deep neural networks are more accurate than humans at detecting sexual orientation from facial images》一出，輿論嘩然，該論文研究指出，計算機算法可以從面相判斷一個人的性取向，引發(fā)了對隱私、道德、倫理問題的爭議。然而回過頭去看，這原本是一個卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用的技術(shù)文章，在人工智能領(lǐng)域，它是圖像識別和機器人視覺的核心部分。

圖像識別技術(shù)，是人工智能道路上的一座高峰，如今你可以看到包括個人相冊圖片管理、刷臉解鎖手機、刷臉上班打卡等廣泛應(yīng)用。你一定好奇，圖像識別是什么？如何讓機器理解一張圖甚至一個動態(tài)的生物？背后又用到了哪些技術(shù)？

今天，我們就從源頭挖一挖圖像識別的概念、技術(shù)和應(yīng)用。

什么是“圖像識別”？

從概念來看，圖像識別是指利用計算機對圖像進行處理、分析和理解，以識別不同模式的目標(biāo)和對像（人物、場景、位置、物體、動作等）的技術(shù)。

而圖像識別算法一般采用機器學(xué)習(xí)方法，模擬人腦看圖，隨后計算機依靠大量的數(shù)據(jù)，理解圖像，最后建立相關(guān)的標(biāo)簽和類別。整個識別過程的核心，就是神經(jīng)網(wǎng)絡(luò)，經(jīng)過優(yōu)勝劣汰，目前已經(jīng)發(fā)展到卷積神經(jīng)網(wǎng)絡(luò)（CNN或ConvNets）。

據(jù)不完全統(tǒng)計，科學(xué)家們從神經(jīng)網(wǎng)絡(luò)研究到卷積神經(jīng)網(wǎng)絡(luò)，就花了從20世紀(jì)60年代末到20世紀(jì)80年代末的時間。

讓計算機看見，經(jīng)歷了一個剝繭抽絲的神經(jīng)網(wǎng)絡(luò)演進過程

我們先來看，人如何辨識物體。人腦的神經(jīng)細胞（神經(jīng)元）包括很多彼此相鄰并相連的層，層數(shù)越多，網(wǎng)絡(luò)越“深”。單個神經(jīng)元從其他神經(jīng)元接收信號——可能高達10萬個，當(dāng)其他神經(jīng)元被觸發(fā)時，它們會對相連的神經(jīng)元施加興奮或抑制作用，如果我們的第一個神經(jīng)元輸入加起來達到一定閾值電壓（threshold voltage）時，它也會被觸發(fā)。

也就是說，人不但可以用眼看字，當(dāng)別人在他背上寫字時，他也認(rèn)得出這個字來。就好比下圖，人一眼看過去，就能感知到圖片中存在某種層級（hierarchy）或者概念結(jié)構(gòu)（conceptual structure），一層一層的：

地面是由草和水泥組成，圖中有一個小孩，小孩在騎彈簧木馬，彈簧木馬在草地上。

關(guān)鍵點是，我們知道這是小孩，無論小孩在哪種環(huán)境都認(rèn)識，因此人類不需要重新學(xué)習(xí)小孩這個概念。

但機器不同，它需要經(jīng)過多次反復(fù)的學(xué)習(xí)過程。我們再來看，機器如何辨識物體。在人工神經(jīng)網(wǎng)絡(luò)中，信號也在“神經(jīng)元”之間傳播，但是，神經(jīng)網(wǎng)絡(luò)不是發(fā)射電信號，而是為各種神經(jīng)元分配權(quán)重。 和權(quán)重較小的神經(jīng)元相比，權(quán)重更大的神經(jīng)元會對下一層神經(jīng)元產(chǎn)生更多的作用，最后一層將這些加權(quán)輸入放在一起，以得出答案。

比如，要想讓一個計算機認(rèn)出“貓”，需要建立一組數(shù)據(jù)庫，包含數(shù)千張貓的圖像和數(shù)千張不含貓的圖像，分別標(biāo)記“貓”和“不是貓”，然后，將圖像數(shù)據(jù)提供給神經(jīng)網(wǎng)絡(luò)，最終輸出層將所有信息——尖耳朵、圓臉、胡須、黑鼻子、長尾巴——放在一起，并給出一個答案：貓。這種訓(xùn)練技術(shù)被稱為監(jiān)督學(xué)習(xí)（supervised learning）。

還有一種技術(shù)叫做無監(jiān)督學(xué)習(xí)（Unsupervised learning），就是使用未標(biāo)記的數(shù)據(jù)，計算機必須自己看圖識物，比如從“尖耳朵”辨別這是一只貓而不是其他動物。然而這些方法容易誤導(dǎo)機器，誤把“尖耳朵”貓識別成狗，或者把浣熊貓誤認(rèn)為暹羅貓。

但是，如果圖片是這樣的呢？

一個3歲小孩都能識別出貓的照片，計算機科學(xué)家們卻花了多年時間教會計算機看圖識物。關(guān)鍵就是自主訓(xùn)練量。

直到20世紀(jì)80年代，來自加拿大多倫多大學(xué)的“神經(jīng)網(wǎng)絡(luò)先驅(qū)”Geoff Hinton領(lǐng)導(dǎo)的小組，提出了一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法，叫做卷積神經(jīng)網(wǎng)絡(luò)，意味著它不會陷入局部陷阱。

于是強大的圖形處理單元或GPU出現(xiàn)了，研究人員因此可以在臺式機上運行、操縱和處理圖像，而不用超級計算機了。

同時大數(shù)據(jù)的加持，讓卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用越來越廣泛。2007年，美國斯坦福大學(xué)計算機科學(xué)系副教授李飛飛推出了ImageNet——一個來自互聯(lián)網(wǎng)的數(shù)百萬帶有標(biāo)簽圖像的數(shù)據(jù)庫。ImageNet為神經(jīng)網(wǎng)絡(luò)提供了約1000萬張圖像和1000個不同的標(biāo)簽。

一直到現(xiàn)在，神經(jīng)網(wǎng)絡(luò)成為機器人視覺的核心工具。盡管現(xiàn)代神經(jīng)網(wǎng)絡(luò)包含許多層次——Google Photos有大約30層——但卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，仍然是前進了一大步。

當(dāng)你教會計算機認(rèn)圖，它需要反復(fù)學(xué)習(xí)

與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣，卷積神經(jīng)網(wǎng)絡(luò)也是由加權(quán)神經(jīng)元層組成。但是，它們不僅僅是模仿人腦的運作，而是非常恰到好處地從視覺系統(tǒng)本身獲得了靈感。

卷積神經(jīng)網(wǎng)絡(luò)中的每個層，都在圖像上使用過濾器拾取特定的圖案或特征。前幾層檢測到較大的特征，例如下圖斜線，而后面的層拾取更細的細節(jié)，并將其組織成諸如“耳朵”的復(fù)雜特征。

圖：典型的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

最終輸出層像普通神經(jīng)網(wǎng)絡(luò)一樣是完全連接的（也就是說，該層中的所有神經(jīng)元都連接到上一層的所有神經(jīng)元）。它集合高度具體的特征——其中可能包括貓的狹縫狀瞳孔、杏仁形眼睛、眼睛到鼻子的距離——并產(chǎn)生超精確的分類：貓。

在2012年，谷歌用數(shù)千個未標(biāo)記的YouTube剪輯縮略圖培訓(xùn)了一個卷積神經(jīng)網(wǎng)絡(luò)，看看會出現(xiàn)什么。毫不奇怪，它變得擅長尋找貓視頻。

卷積神經(jīng)網(wǎng)絡(luò)如何進行圖片處理？基本上有三個步驟，卷積層、池化層、采用下采樣陣列作為常規(guī)全連接神經(jīng)網(wǎng)絡(luò)的輸入。

譬如，從剛剛那張“小孩騎馬圖”可以分解出，卷積神經(jīng)網(wǎng)絡(luò)辨識物體的五個步驟：

于是圖片被分解成了 77 塊同樣大小的小圖塊。

• 第二步：把每個小圖塊輸入到小型神經(jīng)網(wǎng)絡(luò)中

重復(fù)這個步驟 77 次，每次判斷一張小圖塊

然而，有一個非常重要的不同：對于每個小圖塊，我們會使用同樣的神經(jīng)網(wǎng)絡(luò)權(quán)重，也就是說，如果哪個小圖塊不一樣，我們就認(rèn)為這個圖塊是“異常”（interesting）的。

• 第三步：把每一個小圖塊的結(jié)果都保存到一個新的數(shù)組當(dāng)中

我們不想并不想打亂小圖塊的順序，所以就把每個小圖塊按照圖片上的順序輸入并保存結(jié)果，就像這樣：

• 第四步：縮減像素采樣

第三步的結(jié)果是一個數(shù)組，這個數(shù)組對應(yīng)著原始圖片中最異常的部分。但是這個數(shù)組依然很大:

為了減小這個數(shù)組的大小，我們利用一種叫做最大池化（max pooling）的函數(shù)來降采樣（downsample）。但這依然不夠！

讓我們先來看每個 2×2 的方陣數(shù)組，并且留下最大的數(shù)：

這里，一旦我們找到組成 2×2 方陣的 4 個輸入中任何異常的部分，但我們就只保留這一個數(shù)。這樣一來我們的數(shù)組大小就縮減了，同時最重要的部分也保留住了。

• 最后一步：作出預(yù)測

到現(xiàn)在為止，我們已經(jīng)把一個很大的圖片縮減到了一個相對較小的數(shù)組。

數(shù)組就是一串?dāng)?shù)字而已，所以我們我們可以把這個數(shù)組輸入到另外一個神經(jīng)網(wǎng)絡(luò)里面去。最后的這個神經(jīng)網(wǎng)絡(luò)會決定這個圖片是否匹配。為了區(qū)分它和卷積的不同，我們把它稱作“全連接”網(wǎng)絡(luò)（“Fully Connected” Network）。

所以從開始到結(jié)束，我們的五步就像管道一樣被連接了起來：

整個過程中，你可以把這些步驟任意組合、堆疊多次，卷積層越多，網(wǎng)絡(luò)就越能識別出復(fù)雜的特征。當(dāng)你想要縮小數(shù)據(jù)大小時，也隨時可以調(diào)用最大池化函數(shù)。而深層卷積網(wǎng)絡(luò)（Convolutional Neural Networks）就是使用了多次卷積、最大池化和多個全連接層。為了實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用，機器學(xué)習(xí)需要反復(fù)學(xué)習(xí)測試。

如何構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)？這里有一些API

從零開始構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，費錢又耗時，業(yè)內(nèi)開放了一些API（Application Programming Interface，應(yīng)用程序編程接口），使開發(fā)者無需自己研究機器學(xué)習(xí)或計算機視覺專業(yè)知識。

• 谷歌 Cloud Vision

GoogleCloud Vision是谷歌的視覺識別API，使用REST API。它基于開源的TensorFlow框架。它檢測單個面部和物體，并包含一個相當(dāng)全面的標(biāo)簽集。

另外，谷歌圖像搜索可以說是一個巨大的圖像數(shù)據(jù)庫，基本上改變了我們處理圖像的方式。

這里有一張谷歌圖像搜索的時間表。

• IBM沃森視覺識別

IBM沃森視覺識別是沃森開發(fā)者云（Watson Developer Cloud）的一部分，并附帶了一大批內(nèi)置的類別，但實際上是為根據(jù)你提供的圖像來訓(xùn)練自定義定制類而構(gòu)建的。它還支持一些很棒的功能，包括NSFW和OCR檢測，如Google Cloud Vision。

• Facebook的MultiPathNet 3

Facebook AI Research（FAIR）認(rèn)為，深度卷積神經(jīng)網(wǎng)絡(luò)讓我們已經(jīng)看到圖像分類（圖像中有什么）以及對象檢測（對象在哪里？）上的巨大進步（見下圖a和b），但這只是一個開始，目標(biāo)是設(shè)計一種識別和分割圖像中每個對象的技術(shù)，如下圖c。

于是Facebook想將機器視覺推向下一個階段——在像素級別上理解圖像和對象。推動的主要新算法是DeepMask 1分段框架以及SharpMask 2細分模塊。它們共同使FAIR的機器視覺系統(tǒng)，能夠檢測并精確地描繪圖像中的每個物體。識別流水線的最后階段使用一個專門的卷積網(wǎng)絡(luò)，稱之為MultiPathNet 3，以其包含的對象類型（例如人，狗，羊），為每個對象掩碼標(biāo)記。

• Clarif.ai

Clarif.ai是一個新興的圖像識別服務(wù)，也使用REST API。關(guān)于Clarif.ai的一個有趣的方面是它附帶了一些模塊，有助于將其算法定制到特定主題，如食物、旅行和婚禮。

盡管上述API適用于少數(shù)一般應(yīng)用程序，但你可能仍然需要為特定任務(wù)開發(fā)自定義解決方案。幸運的是，許多庫可以通過處理優(yōu)化和計算方面來使開發(fā)人員和數(shù)據(jù)科學(xué)家的生活變得更加容易，從而使他們專注于訓(xùn)練模型。有許多庫，包括Theano、Torch、DeepLearning4J和TensorFlow已經(jīng)成功應(yīng)用于各種應(yīng)用。

-END-

<來源 ：mindmajix.com、Facebook AI Research、medium.com、cosmosmagazine.com；編譯整理：科技行者>