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麼？

在工業界的熱情參與下，AI行業大會近年來的發展可謂是如火如荼。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口頭報導的文章最具重量級。

那麼在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在現實世界中的應用提供了新的分類標準。

以往的CV系統存在哪些問題，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：神經網路的“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：

研究人員會依據影像所具有的本身特徵先將其分類，然後設計一個演算法，使用設定好的資料集進行預訓練。然後，給AI一張圖片，它會根據儲存記憶中已經分好的類別進行識別，檢視是否有與該影像具有相同或類似特徵的儲存記憶，從而快速識別出是該影像。只要投喂足夠多的照片，特徵分類足夠準確，識別演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、農業、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，問題也出在這裡。

由於訓練資料和測試資料都是在封閉環境下進行的，比如ImageNet資料集，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資料集中的開放類別。它們要麼數量珍貴而稀少，比如自然界中的野生動物;要麼繁多而不規律，諸如街道標誌、時尚品牌、面孔、天氣狀況、街道狀況等等，在日常生活分佈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，由於沒有足夠的訓練資料，系統失敗了……

更令人悲傷的是，在此類情境中，收集更多資料是非常不現實的。

對於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。在自然界這個動態系統中，識別物件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，但對於這些不均衡的分類物件，現在的方法依然無能為力。

之所以出現這種問題，核心原因或在於：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並解決，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資料集的常見類別，以及大多數罕見類別，都能夠進行分類的實用系統。

要實現這一點，就要求CV系統具備一種能力，能夠從幾個已知的事例中推匯出單一類別的概念，並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。為了儘可能地消滅“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，就是讓系統能夠從長尾資料和開放的分散式資料中進行學習，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物件，對於資料匱乏的、分佈廣泛導致出現頻率不均衡的物體，系統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。

研究人員將影像對映到一個特徵空間，將影像特徵和記憶特徵結合在一起，這樣視覺系統就可以基於封閉環境分類的學習度量，對開放世界中存在的新穎物體和長尾類進行理解。即使在缺乏觀察資料和特徵的情況下，視覺記憶也能夠對開放類進行理解並努力識別。

(讓CV系統具備視覺記憶能力)

實驗結果顯示，記憶特徵的加入，使得CV系統能夠更好地啟用起視覺神經元。比如，識別“公雞”這一長尾類物體(位於下圖左上角cock)時，具有記憶功能的CV系統已經學會了將其轉換為“鳥頭”、“圓型”和“虛線紋理”的視覺概念，並將被普通CV模型錯誤分類的圖片正確地識別了出來。

(從記憶體特性中注入視覺記憶特徵的系統示例)

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，對於那些影像不超過40幅的種類，OLTR實現了從25%到66%的效能提升。

與目前大多數計算機視覺方案相比，OLTR顯然更符合資料自然分佈的真實世界。那麼，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)。那麼，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影像分割。

先說說目標檢測。

目標檢測已經在諸多產業中都有應用，簡單的論文也越來越難發表了，比如手機拍照中用一個框來定位人臉，或者是智慧監控中的人體定位，都屬於目標檢測的範疇。

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

比如資料標註的巨大成本，能不能通過更有小弟分類來解決;小規模資料的監督學習怎樣才能更有效地提升精度;對單影像單類別場景進行弱監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。

再說影像分割。簡單來說就說輸入一張圖片，然後對每一個畫素點都進行分類標記，則完成了對整個圖片的分割。

比如深度學習對醫學影像進行解讀和診斷，自動駕駛汽車區分人、車、障礙物等，就採用了語義分割的技術。

但該類演算法目前面臨著三大難題：一是計算成本高，要保證準確率，需要的儲存空間和資料都非常龐大。二是計算效率低，由於需要對每個畫素塊進行計算卷積，造成了很大程度的重複和算力浪費;三是效能桎梏，受畫素塊的限制，感知神經元往往只能提取一些區域性特徵，從而影響分類識別的準確率。

節約計算量、儘可能考慮全域性資訊、高效能分類，是影像分割未來迭代的重點。

此時，OLTR的優勢就展現出來了。

首先，它用增強視覺記憶的方式，幫助CV系統在頭部類別的基礎上完成尾部、開放類別的特徵分類與學習，這意味著可以告別超大規模的資料集，通過小樣本的無監督學習一樣能夠達到同樣的高精度效能，降低了計算機視覺的應用和訓練成本。

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

總而言之，OLTR的出現，將給CV演算法、軟體與產業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者和企業開始嘗試用其解決現實問題，逐步迭代升級，後續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還有哪些創造。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31561483/viewspace-2645215/，如需轉載，請註明出處，否則將追究法律責任。