383
演講實錄丨華剛 計算機視覺的黃金時代：機遇與挑戰
計算機視覺的黃金時代：機遇與挑戰
華剛
微軟亞洲研究院視覺計算組組長、資深計算機視覺專家
華剛：大家下午好！今天報告題目是計算視覺的黃金時代，機遇與挑戰。如果我們看到這個題目，關鍵字有幾個，第一個是計算機視覺，第二個黃金時代，第三個第四個機遇挑戰。
基於這四個關鍵字給大家講講我的理解和看法。什麼是計算機視覺？學術的觀點定義領域的話，計算機視覺我們從圖象和視頻中間提取數值和符號計算機係統。我們說一個願景能讓計算機像人類一樣看到並理解圖象，我們認為是一個黃金時代回顧一下計算機視覺真正發展的曆史。基本上來講計算機視覺曆史第一個萌芽階段，1955年到1979年的時間，這個領域還是相對比較新的領域。在55年我們對於計算機視覺提出一個展望，在MIT一個暑期人工智能會議上。我們在三四個月內能不能把計算機視覺工作解決了，直到今天還沒有完全解決。中間經曆了很多發展，在70年代麻省理工真正成立研究小組，開設第一門計算機視覺課程。
從今天來講，我們看到會是非常簡單一個圖片，是一些像塊狀的物體，這是MIT第一篇博士論文。稱之為萌芽階段，大家處於一種探索狀態，這個領域怎麼走？早期期望說三個月把這個問題解決，甚至40年之後我們仍然沒有把這個問題解決。計算機視覺真正發展一個非常堅持的基礎，應該是從21世紀到80年代的時間，這中間發生很多時間，在80年代初光學支付（音譯）識別係統，應用於商業應用郵局。美國郵局大家利用信件交流方式很多，包括公司各種商業應用，涉及到郵件分檢的問題。
這中間發生了幾個裏程碑事件，包括三維視覺的理論體係基本完備了。到90年代初人臉和語音識別，統計學識別方法已經引入到計算機視覺上了。計算機視覺真正爆發時間，我認為從21世紀10年代中，涉及到幾個方麵的因素。第一個我們進入互聯網時代，對於圖象數據積累，以及我們對硬件技術的發展，我們對攝像機前端這種硬件設備技術也是在日益增進，包括微軟代表3D設想傳感器帶來的新的實際應用。
如果要從這三個階段中找一個比較代表性的節點，我認為在爆發階段是深度學習模型，它為什麼會對計算機視覺帶來本質上的影響和變化。我們更廣泛看計算機視覺應用的話，在這些年產生非常廣泛的應用，包括三維圖象的建模，包括監控，以及人機交互產生非常大的影響。為什麼處在計算機視覺黃金時代？我認為是一個更多的工作，CVPR是我們計算機視覺的聯會。當我自己還是一個博士生的時候，去參加CVPR，隻有兩家公司招聘，一家公司（桑娜福音譯），一個是西門子。到2016年的時候，有一個網站上千條的工作信息，我們真正這個技術開始進入產業界。
這個CVPR有更多人參與到這個年會，CVPR今年年會已經到3500人參加這個會議，5年前就是1000人左右。最重要我們有更多資金注入進來，現在博士畢業生很輕易拿到一個100萬的年薪工作，今年CVPR將近100家公司占駐這個CVPR，我們看到越來越多的資金流向這個領域。我自己作為CVPR 主辦成員之一，我們在會場設計上我們希望會達到5000人的規模。
這裏一個朋友，講的一句話，在他36年的從事計算機視覺研究一個經曆中間，從來沒有看到我們這個領域像現在這麼好過，他說我們在計算機視覺第一個黃金時代，以前沒有過。他自己現在也在亞馬遜作為一個保密狀態工作，在幫亞馬遜做一些事情。黃金時代我們實際上有一些什麼樣的機遇？為什麼這個階段產生爆發性的狀態。
前麵兩位老師提到一些，我們擁有了更多數據從各個方麵來的。第二個方麵，剛才山老師提到我們計算機視覺很多方法，可能在2、30年前被學習過，當時計算能力還不夠。第三個就是深度學習模型，在微軟研究院同事做的傳感網絡，已經做到1001層，在7、8年前不可想象。下麵我就展示一下微軟研究院在這個階段我們一些小小的成果。
我們微軟認知服務，我們已經在上麵發布了非常多的算法API，包括計算機視覺方麵、語音方麵、自然語言處理方麵包括知識庫方麵，還有搜索庫方麵。人臉識別方麵API，我們在兩年以前人臉識別API已經有非常有成功的。Windows hello。我們最近另外一個工作，怎麼在圖象和風格之間做轉換，左邊這個是所謂風格的圖，右邊是所謂內容圖，我們這個應用算法一個目的，我怎麼能夠把右邊這張圖渲染成左邊圖的風格，實際上我們有一些最新基於深度學習一個方法，我們真正試圖去理解怎麼描述這種圖象的風格。
這裏給看到更多的結果，當固定內容圖的時候，我們可以把它渲染成不同的風格，用同一個網絡。我們說計算機視覺黃金時代機遇在什麼地方？我參加他80歲生日一個論壇，非常好的朋友也算他的學生，馬裏蘭一個大學教授，他就講一個觀點，因為我們講計算機視覺帶來的影響？第一個觀點，深度學習模型就像一個和麵機一樣，你把很多東西放進去它出來非常好吃的東西。它是一個非常好的東西，我們要利用好它。它是一個讓眾生變的平等的東西。我雇了兩個高中生，編程能力很強，在計算機視覺方麵很低，不管你有一年的經驗，還是多年經驗，讓它飛固然是好的模型。因為涉及到很多觀點，媒體朋友不要隨便轉載這些觀點，讓大家有一個體會。
涉及到黃金時代機遇什麼？實際上把這個技術門檻降低不少，現在很多人不需要經過10年的訓練能去做一些計算機視覺應用，或者是技術。所以我認為這實際上是產業界一個機遇。產業界很少有人去願意走40步的。實際上從產學研角度來講，這個學界應該還是更多去開創一些新的研究領域，能夠做一些更好的事情。
黃金時代另外一個機遇就是創業、創業，我們很多老師已經創業了，像山老師，像朱瓏一直學術方麵走的比較多的意圖，當我看到山老師公司的時候，是一個中英文混合體，山老師到底是看他還是看他，我不太明白。一個是人臉識別，一個是自動駕駛，人臉識別目前離實際應用最近一個，而且各個方麵產生實際應用也是非常好的過程。我們遇到挑戰什麼？其實這麼多年計算機視覺一直試圖大家問自己一個問題，什麼是計算機視覺殺手級應用？它是人臉識別嗎？還是安防監控，還是輔助醫療圖象診斷，我想大家沒有回答，更多是摸索和探索。至於自動駕駛，我們還是保守推動這個行業，不要寒冬。我們還要小心謹慎一樣，不要讓殺手級應用真正變成殺手應用。
另一方麵，這個問題不僅在中國存在，其實在美國很多大學裏麵教授，做計算機視覺方麵很多進了公司，或者自己出來創業。大家問一個問題，這些教授創業和進了產業界，誰來培養下一代的學生，這個問題值得思考。
最後自己關於計算機視覺思考，這三個方麵。第一個方麵，為什麼深度學習對計算機視覺好用？實際上大家如果在計算機視覺領域，計算機視覺本質是解不適定的問題。第二個深度學習本質上提供了用前饋的模型解反問題的框架。這是一個非常在高層麵上一個理解的解釋，本質上解這種不好的反問題的時候，我們有了反問題的框架。我自己對整體上的方法非常欣賞，但是自己還有一些領域的知識放在裏麵。
第二個，計算機視覺發展到今天，40年前從人工智能科學研究共同體分離出來有一個原因，40年前人工智能，包括語音識別，包括計算機視覺技術沒有成熟。2010年計算機視覺、自然語言處理，語音識別這些技術發展到一定程度，天下大勢，分久必合，合久必分，大家思考一個問題，最終人工智能方麵技術我們怎麼能夠集合到一起，為綜合人工智能係統服務。
最後講，計算機視覺產學研一個互動。這個問題很簡單，本質上認為所謂互動三個要素一個流通，研究人員、資金和技術，這個方麵做的比較好，大家可以關注一下微軟亞洲研究院博士生和學生培養的工作，我們計算科學的研究十幾年曆史，跟各個高校聯合博士培養一個項目，這個學校的學生可以在我們研究院做五年的學習，拿到博士學位。包括給學校提供資金上的支持，在座有很多出來創業或者是產業界，還是想我們在人工智能產業上我們從中得到一些東西，還想到回饋給這個領域。謝謝大家！
本文來源於"中國人工智能學會",原文發表時間" 2016-10-26 "
最後更新：2017-05-22 16:37:12