深度學(xué)習(xí)與計(jì)算機(jī)視覺綜述

深度學(xué)習(xí)與計(jì)算機(jī)視覺綜述胡玉針170219模式識(shí)別施杰170236檢測本報(bào)告主要講述在計(jì)算機(jī)視覺領(lǐng)域深度學(xué)習(xí)如何逐漸占據(jù)主流以及傳統(tǒng)的識(shí)別算法的優(yōu)缺點(diǎn)，較為詳細(xì)的介紹了CNN卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)，簡單介紹了深度學(xué)習(xí)在視覺領(lǐng)域的應(yīng)用范圍。希望讓大家了解這個(gè)領(lǐng)域的一些基本概念。水平有限，難免有錯(cuò)誤的見解，希望不要誤導(dǎo)大家。概述

人工智能是人類一個(gè)非常美好的夢想，跟星際漫游和長生不老一樣。我們想制造出一種機(jī)器，使得它跟人一樣具有一定的對(duì)外界事物感知能力，比如看見世界。圖靈在1950年的論文里，提出圖靈測試的設(shè)想，即，隔墻對(duì)話，你將不知道與你談話的，是人還是電腦。這無疑給計(jì)算機(jī)，尤其是人工智能，預(yù)設(shè)了一個(gè)很高的期望值。但是半個(gè)世紀(jì)過去了，人工智能的進(jìn)展，遠(yuǎn)遠(yuǎn)沒有達(dá)到圖靈試驗(yàn)的標(biāo)準(zhǔn)。這不僅讓多年翹首以待的人們，心灰意冷，認(rèn)為人工智能是忽悠，相關(guān)領(lǐng)域是―偽科學(xué)。50多年時(shí)間有無數(shù)科學(xué)家提出很多機(jī)器學(xué)習(xí)的算法，試圖讓計(jì)算機(jī)具有與人一樣的智力水平，但直到2006年深度學(xué)習(xí)算法的成功，才帶來了一絲解決的希望。眾星捧月的深度學(xué)習(xí)

深度學(xué)習(xí)在很多學(xué)術(shù)領(lǐng)域，比非深度學(xué)習(xí)算法往往有20-30%成績的提高。很多大公司也逐漸開始出手投資這種算法，并成立自己的深度學(xué)習(xí)團(tuán)隊(duì)，其中投入最大的就是谷歌，2008年6月披露了谷歌腦項(xiàng)目。2014年1月谷歌收購DeepMind，然后2016年3月其開發(fā)的Alphago算法在圍棋挑戰(zhàn)賽中，戰(zhàn)勝了韓國九段棋手李世石，證明深度學(xué)習(xí)設(shè)計(jì)出的算法可以戰(zhàn)勝這個(gè)世界上最強(qiáng)的選手。在硬件方面，Nvidia最開始做顯示芯片，但從2006及2007年開始主推用GPU芯片進(jìn)行通用計(jì)算，它特別適合深度學(xué)習(xí)中大量簡單重復(fù)的計(jì)算量。目前很多人選擇Nvidia的CUDA工具包進(jìn)行深度學(xué)習(xí)軟件的開發(fā)。微軟從2012年開始，利用深度學(xué)習(xí)進(jìn)行機(jī)器翻譯和中文語音合成工作，其人工智能小娜背后就是一套自然語言處理和語音識(shí)別的數(shù)據(jù)算法。

百度在2013年宣布成立百度研究院，其中最重要的就是百度深度學(xué)習(xí)研究所，當(dāng)時(shí)招募了著名科學(xué)家余凱博士。不過后來余凱離開百度，創(chuàng)立了另一家從事深度學(xué)習(xí)算法開發(fā)的公司地平線。Facebook和Twitter也都各自進(jìn)行了深度學(xué)習(xí)研究，其中前者攜手紐約大學(xué)教授YannLecun，建立了自己的深度學(xué)習(xí)算法實(shí)驗(yàn)室；2015年10月，F(xiàn)acebook宣布開源其深度學(xué)習(xí)算法框架，即Torch框架。Twitter在2014年7月收購了Madbits，為用戶提供高精度的圖像檢索服務(wù)。機(jī)器學(xué)習(xí)需要解決的問題？傳統(tǒng)計(jì)算機(jī)視覺算法

特征感知

圖像預(yù)處理

特征提取

特征篩選

推理預(yù)測與識(shí)別。中間的特征提取，特征篩選主要是人工選取特征：傳統(tǒng)的計(jì)算機(jī)識(shí)別方法把特征提取和分類器設(shè)計(jì)分開來做，然后在應(yīng)用時(shí)再合在一起，比如如果輸入是一個(gè)摩托車圖像的話，首先要有一個(gè)特征表達(dá)或者特征提取的過程，然后把表達(dá)出來的特征放到學(xué)習(xí)算法中進(jìn)行分類的學(xué)習(xí)。最著名的SIFT算子，即所謂的對(duì)尺度旋轉(zhuǎn)保持不變的算子。它被廣泛地應(yīng)用在圖像比對(duì)，特別是所謂的structure

frommotion這些應(yīng)用中，有一些成功的應(yīng)用例子。另一個(gè)是HoG算子，它可以提取物體，比較魯棒的物體邊緣，在物體檢測中扮演著重要的角色。這些算子還包括Textons，Spinimage，RIFT和GLOH，都是在深度學(xué)習(xí)誕生之前或者深度學(xué)習(xí)真正的流行起來之前，占領(lǐng)視覺算法的主流。幾個(gè)（半）成功例子

一是八九十年代的指紋識(shí)別算法，它已經(jīng)非常成熟，一般是在指紋的圖案上面去尋找一些關(guān)鍵點(diǎn)，尋找具有特殊幾何特征的點(diǎn)，然后把兩個(gè)指紋的關(guān)鍵點(diǎn)進(jìn)行比對(duì)，判斷是否匹配。然后是2001年基于Haar的人臉檢測算法，在當(dāng)時(shí)的硬件條件下已經(jīng)能夠達(dá)到實(shí)時(shí)人臉檢測，我們現(xiàn)在所有手機(jī)相機(jī)里的人臉檢測，都是基于它或者它的變種。第三個(gè)是基于HoG特征的物體檢測，它和所對(duì)應(yīng)的SVM分類器組合起來的就是著名的DPM算法。DPM算法在物體檢測上超過了所有的算法，取得了比較不錯(cuò)的成績。人工選擇特征存在的問題：大量的經(jīng)驗(yàn)，需要你對(duì)這個(gè)領(lǐng)域和數(shù)據(jù)特別了解大量的調(diào)試工作。說白了就是需要一點(diǎn)運(yùn)氣另一個(gè)難點(diǎn)在于，你不只需要手工設(shè)計(jì)特征，還要在此基礎(chǔ)上有一個(gè)比較合適的分類器算法。同時(shí)設(shè)計(jì)特征然后選擇一個(gè)分類器，這兩者合并達(dá)到最優(yōu)的效果，幾乎是不可能完成的任務(wù)。是否可以自動(dòng)的選擇特征？即輸入某一個(gè)模型的時(shí)候，輸入只是圖片，輸出就是它自己的標(biāo)簽。比如輸入一個(gè)明星的頭像，出來的標(biāo)簽就是一個(gè)50維的向量（如果要在50個(gè)人里識(shí)別的話），其中對(duì)應(yīng)明星的向量是1，其他的位置是0。人類又是怎么識(shí)別物體的？1981年諾貝爾醫(yī)學(xué)生理學(xué)獎(jiǎng)?lì)C發(fā)給了DavidHubel，一位神經(jīng)生物學(xué)家。他的主要研究成果是發(fā)現(xiàn)了視覺系統(tǒng)信息處理機(jī)制，證明大腦的可視皮層是分級(jí)的。他的貢獻(xiàn)主要有兩個(gè)，一是他認(rèn)為人的視覺功能一個(gè)是抽象，一個(gè)是迭代。抽象就是把非常具體的形象的元素，即原始的光線像素等信息，抽象出來形成有意義的概念。這些有意義的概念又會(huì)往上迭代，變成更加抽象，人可以感知到的抽象概念。像素是沒有抽象意義的，但人腦可以把這些像素連接成邊緣，邊緣相對(duì)像素來說就變成了比較抽象的概念；邊緣進(jìn)而形成球形，球形然后到氣球，又是一個(gè)抽象的過程，大腦最終就知道看到的是一個(gè)氣球。再談如何識(shí)別摩托車？看到圖片中的摩托車，我們可能在腦子里就幾微秒的時(shí)間，但是經(jīng)過了大量的神經(jīng)元抽象迭代。對(duì)計(jì)算機(jī)來說最開始看到的根本也不是摩托車，而是RGB圖像三個(gè)通道上不同的數(shù)字。所謂的特征或者視覺特征，就是把這些數(shù)值給綜合起來用統(tǒng)計(jì)或非統(tǒng)計(jì)的形式，把摩托車的部件或者整輛摩托車表現(xiàn)出來。深度學(xué)習(xí)的流行之前，大部分的設(shè)計(jì)圖像特征就是基于此，即把一個(gè)區(qū)域內(nèi)的像素級(jí)別的信息綜合表現(xiàn)出來，利于后面的分類學(xué)習(xí)。如果要完全模擬人腦，我們也要模擬抽象和遞歸迭代的過程，把信息從最細(xì)瑣的像素級(jí)別，抽象到“種類”的概念，讓人能夠接受。CNN卷積神經(jīng)網(wǎng)絡(luò)

概述典型的深度學(xué)習(xí)模型就是很深層的神經(jīng)網(wǎng)絡(luò)，包含多個(gè)隱含層，多隱層的神經(jīng)網(wǎng)絡(luò)很難直接使用BP算法進(jìn)行直接訓(xùn)練，因?yàn)榉聪騻鞑フ`差時(shí)往往會(huì)發(fā)散，很難收斂CNN節(jié)省訓(xùn)練開銷的方式是權(quán)值共享weightsharing，讓一組神經(jīng)元使用相同的權(quán)值主要用于圖像識(shí)別領(lǐng)域卷積（Convolution）特征提取

卷積核（ConvolutionKernel），也叫過濾器filter，由對(duì)應(yīng)的權(quán)值W和偏置b體現(xiàn)下圖是3x3的卷積核在5x5的圖像上做卷積的過程，就是矩陣做點(diǎn)乘之后的和

第i個(gè)隱含單元的輸入就是：

，其中

就是與過濾器filter過濾到的圖片另外上圖的步長stride為1，就是每個(gè)filter每次移動(dòng)的距離卷積特征提取的原理卷積特征提取利用了自然圖像的統(tǒng)計(jì)平穩(wěn)性，這一部分學(xué)習(xí)的特征也能用在另一部分上，所以對(duì)于這個(gè)圖像上的所有位置，我們都能使用同樣的學(xué)習(xí)特征。當(dāng)有多個(gè)filter時(shí)，我們就可以學(xué)到多個(gè)特征，例如：輪廓、顏色等多個(gè)過濾器filter（卷積核）池化（Pooling）也叫做下采樣Pooling過程把提取之后的特征看做一個(gè)矩陣，并在這個(gè)矩陣上劃分出幾個(gè)不重合的區(qū)域，然后在每個(gè)區(qū)域上計(jì)算該區(qū)域內(nèi)特征的均值或最大值，然后用這些均值或最大值參與后續(xù)的訓(xùn)練

最大Pooling的方法之后的結(jié)果Pooling的好處很明顯就是減少參數(shù)Pooling就有平移不變性（(translationinvariant）如圖featuremap是12x12大小的圖片，Pooling區(qū)域?yàn)?x6,所以池化后得到的featuremap為2x2,假設(shè)白色像素值為1，灰色像素值為0，若采用maxpooling之后，左上角窗口值為1Pooling的方法中average方法對(duì)背景保留更好，max對(duì)紋理提取更好深度學(xué)習(xí)可以進(jìn)行多次卷積、池化操作激活層

在每次卷積操作之后一般都會(huì)經(jīng)過一個(gè)非線性層，也是激活層現(xiàn)在一般選擇是ReLu,層次越深，相對(duì)于其他的函數(shù)效果較好，還有Sigmod,tanh函數(shù)等sigmod和tanh都存在飽和的問題，如上圖所示，當(dāng)x軸上的值較大時(shí)，對(duì)應(yīng)的梯度幾乎為0，若是利用BP反向傳播算法，可能造成梯度消失的情況，也就學(xué)不到東西了全連接層Fullyconnectedlayer

將多次卷積和池化后的圖像展開進(jìn)行全連接，如右圖所示。接下來就可以通過BP反向傳播進(jìn)行訓(xùn)練了所以總結(jié)起來，結(jié)構(gòu)可以是這樣的操作的實(shí)例：LeNet網(wǎng)絡(luò)

Le顧名思義就是指人工智能領(lǐng)域的大牛Lecun。這個(gè)網(wǎng)絡(luò)是深度學(xué)習(xí)網(wǎng)絡(luò)的最初原型，因?yàn)橹暗木W(wǎng)絡(luò)都比較淺，它較深的。LeNet在98年就發(fā)明出來了，當(dāng)時(shí)Lecun在AT&T的實(shí)驗(yàn)室，他用這一網(wǎng)絡(luò)進(jìn)行字母識(shí)別，達(dá)到了非常好的效果。怎么構(gòu)成呢？輸入圖像是32×32的灰度圖，第一層經(jīng)過了一組卷積和，生成了6個(gè)28X28的featuremap，然后經(jīng)過一個(gè)池化層，得到得到6個(gè)14X14的featuremap，然后再經(jīng)過一個(gè)卷積層，生成了16個(gè)10X10的卷積層，再經(jīng)過池化層生成16個(gè)5×5的featuremap。從最后16個(gè)5X5的featuremap開始，經(jīng)過了3個(gè)全連接層，達(dá)到最后的輸出，輸出就是標(biāo)簽空間的輸出。由于設(shè)計(jì)的是只要對(duì)0到9進(jìn)行識(shí)別，所以輸出空間是10，如果要對(duì)10個(gè)數(shù)字再加上26個(gè)大小字母進(jìn)行識(shí)別的話，輸出空間就是62。62維向量里，如果某一個(gè)維度上的值最大，它對(duì)應(yīng)的那個(gè)字母和數(shù)字就是就是預(yù)測結(jié)果。壓在駱駝身上的最后一根稻草

從98年到本世紀(jì)初，深度學(xué)習(xí)興盛起來用了15年，但當(dāng)時(shí)成果泛善可陳，一度被邊緣化。到2012年，深度學(xué)習(xí)算法在部分領(lǐng)域取得不錯(cuò)的成績，而壓在駱駝身上最后一根稻草就是AlexNet。AlexNet由多倫多大學(xué)幾個(gè)科學(xué)家開發(fā)，在ImageNet比賽上做到了非常好的效果。當(dāng)時(shí)AlexNet識(shí)別效果超過了所有淺層的方法。此后，大家認(rèn)識(shí)到深度學(xué)習(xí)的時(shí)代終于來了，并有人用它做其它的應(yīng)用，同時(shí)也有些人開始開發(fā)新的網(wǎng)絡(luò)結(jié)構(gòu)。其實(shí)AlexNet的結(jié)構(gòu)也很簡單，只是LeNet的放大版。輸入是一個(gè)224X224的圖片，是經(jīng)過了若干個(gè)卷積層，若干個(gè)池化層，最后連接了兩個(gè)全連接層，達(dá)到了最后的標(biāo)簽空間。去年，有些人研究出來怎么樣可視化深度學(xué)習(xí)出來的特征。那么，AlexNet學(xué)習(xí)出的特征是什么樣子？在第一層，都是一些填充的塊狀物和邊界等特征；中間的層開始學(xué)習(xí)一些紋理特征；更高接近分類器的層級(jí)，則可以明顯看到的物體形狀的特征。最后的一層，即分類層，完全是物體的不同的姿態(tài)，根據(jù)不同的物體展現(xiàn)出不同姿態(tài)的特征了。可以說，不論是對(duì)人臉，車輛，大象或椅子進(jìn)行識(shí)別，最開始學(xué)到的東西都是邊緣，繼而就是物體的部分，然后在更高層層級(jí)才能抽象到物體的整體。整個(gè)卷積神經(jīng)網(wǎng)絡(luò)在模擬人的抽象和迭代的過程。為什么時(shí)隔20年卷土重來？

我們不禁要問：似乎卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)也不是很復(fù)雜，98年就已經(jīng)有一個(gè)比較像樣的雛形了。自由換算法和理論證明也沒有太多進(jìn)展。那為什么時(shí)隔20年，卷積神經(jīng)網(wǎng)絡(luò)才能卷土重來，占領(lǐng)主流？首先，卷積神經(jīng)網(wǎng)絡(luò)的深度太淺的話，識(shí)別能力往往不如一般的淺層模型，比如SVM或者boosting。但如果做得很深，就需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，否則機(jī)器學(xué)習(xí)中的過擬合將不可避免。而2006及2007年開始，正好是互聯(lián)網(wǎng)開始大量產(chǎn)生各種各樣的圖片數(shù)據(jù)的時(shí)候。另外一個(gè)條件是運(yùn)算能力。卷積神經(jīng)網(wǎng)絡(luò)對(duì)計(jì)算機(jī)的運(yùn)算要求比較高，需要大量重復(fù)可并行化的計(jì)算，在當(dāng)時(shí)CPU只有單核且運(yùn)算能力比較低的情況下，不可能進(jìn)行個(gè)很深的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。隨著GPU計(jì)算能力的增長，卷積神經(jīng)網(wǎng)絡(luò)結(jié)合大數(shù)據(jù)的訓(xùn)練才成為可能。

最后一點(diǎn)就是人才。卷積神經(jīng)網(wǎng)絡(luò)有一批一直在堅(jiān)持的科學(xué)家（如Lecun）才沒有被沉默，才沒有被海量的淺層方法淹沒。然后最后終于看到卷積神經(jīng)網(wǎng)絡(luò)占領(lǐng)主流的曙光。深度學(xué)習(xí)在視覺上的應(yīng)用

計(jì)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(shí)別，圖像問答，物體檢測，物體跟蹤。人臉識(shí)別這里說人臉識(shí)別中的人臉比對(duì)，即得到一張人臉，與數(shù)據(jù)庫里的人臉進(jìn)行比對(duì)；或同時(shí)給兩張人臉，判斷是不是同一個(gè)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(duì)時(shí)，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(duì)，得到最后的比對(duì)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(shí)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(shí)問個(gè)問題，然后讓計(jì)算機(jī)回答。比如有一個(gè)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(gè)專門設(shè)計(jì)出來具有一定記憶能力的神經(jīng)單元。特點(diǎn)是，會(huì)把某一個(gè)時(shí)刻的輸出當(dāng)作下一個(gè)時(shí)刻的輸入。可以認(rèn)為它比較適合語言等，有時(shí)間序列關(guān)系的場景。因?yàn)槲覀冊谧x一篇文章和句子的時(shí)候，對(duì)句子后面的理解是基于前面對(duì)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(shí)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(gè)時(shí)刻的輸入，以及圖像的特征，及問句的每個(gè)詞語。物體檢測問題RegionCNN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RegionCNN算法，基本思想是首先用一個(gè)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(gè)具體物體的位置。為什么要用非深度的方法