深度學(xué)習下的AI落地，計算機視覺(jué)是否一條好賽道

　　計算機視覺(jué)是目前AI在中國落地最順利的技術(shù)。從目前的落地進(jìn)展來(lái)看，移動(dòng)互聯(lián)網(wǎng)、安防、零售、物流、醫療、文娛、無(wú)人駕駛的商業(yè)化有待成熟。以曠視科技Face++、商湯科技、極鏈科技Video++為代表的AI頭部企業(yè)戰略，出現向平臺企業(yè)或軟硬一體化企業(yè)發(fā)展的分化趨勢，及零售等新領(lǐng)域快速崛起。

　　計算機視覺(jué)在中國AI市場(chǎng)組成部分占比巨大。根據中國信通院2018年2月發(fā)布的報告數據，2017年，中國人工智能市場(chǎng)中計算機視覺(jué)占比37%，以80億元的行業(yè)收入排名第一。

　　2018年信通院11月發(fā)布的《2018人工智能發(fā)展白皮書(shū)——技術(shù)篇》中以深度學(xué)習算法驅動(dòng)的人工智能技術(shù)為主，數據顯示，在全球人工智能產(chǎn)業(yè)蓬勃發(fā)展的今天，人工智能技術(shù)以機器學(xué)習，特別是深度學(xué)習為核心，在視覺(jué)、語(yǔ)音、自然語(yǔ)言等應用領(lǐng)域迅速發(fā)展，已經(jīng)開(kāi)始滲入到各個(gè)行業(yè)。BBC預測，2020年全球人工智能市場(chǎng)規模約183億美元，年均增長(cháng)20%。在人工智能產(chǎn)業(yè)應用上，從融資規模和市場(chǎng)結構來(lái)看，中國AI企業(yè)更集中于視覺(jué)和語(yǔ)音方向。

　　目前，深度學(xué)習幾乎成了計算機視覺(jué)領(lǐng)域的標配，也是當下人工智能領(lǐng)域最熱門(mén)的研究方向。計算機視覺(jué)的應用場(chǎng)景和深度學(xué)習背后的技術(shù)原理是什么呢?

　　深度學(xué)習背后的技術(shù)原理

　　機器學(xué)習

　　機器學(xué)習的本質(zhì)其實(shí)是為了找到一個(gè)函數，讓這個(gè)函數在不同的領(lǐng)域會(huì )發(fā)揮不同的作用。像語(yǔ)音識別領(lǐng)域，這個(gè)函數會(huì )把一段語(yǔ)音識別成一段文字;圖像識別的領(lǐng)域，這個(gè)函數會(huì )把一個(gè)圖像映射到一個(gè)分類(lèi);下圍棋的時(shí)候根據棋局和規則進(jìn)行博弈;對話(huà)，是根據當前的對話(huà)生成下一段對話(huà)。機器學(xué)習離不開(kāi)學(xué)習兩個(gè)字，根據不同的學(xué)習方式，可以分為監督學(xué)習和非監督學(xué)習兩種方式。

　　監督學(xué)習中，算法和數據是模型的核心所在。在監督學(xué)習中最關(guān)鍵的一點(diǎn)是，我們對訓練的每個(gè)數據都要打上標簽，然后通過(guò)把這些訓練數據輸入到算法模型經(jīng)過(guò)反復訓練以后，每經(jīng)過(guò)一次訓練都會(huì )減少算法模型的預計輸出和標簽數據的差距。

　　通過(guò)大量的訓練，算法模型基本上穩定下來(lái)以后，我們就可以把這個(gè)模型在測試數據集上驗證模型的準確性。這就是整個(gè)監督學(xué)習的過(guò)程，監督學(xué)習目前在圖片分類(lèi)上應用得比較多。

　　非監督學(xué)習里跟監督學(xué)習不同的地方是，非監督學(xué)習不需要為所有的訓練數據都打上標簽。非監督學(xué)習主要應用在兩個(gè)大類(lèi)，第一類(lèi)是做聚類(lèi)分析，聚類(lèi)分析是把一組看似無(wú)序的數據進(jìn)行分類(lèi)分組，以達到能夠更加更好理解的目的。

　　另外是做自動(dòng)編碼器，在數據分析的時(shí)候，原始數據量往往比較大，除了包含一些冗余的數據，還會(huì )包含一些對分析結果不重要的數據。自動(dòng)編碼器主要是對原始數據做降維操作，把冗余的數據去掉，提高后面數據分析的效率。

　　通過(guò)不同的學(xué)習方式獲取到數據后，算法是接下來(lái)非常重要的一環(huán)。算法之于計算機就像大腦對于我們人類(lèi)，選擇一個(gè)好的算法也是特別重要的。

　　神經(jīng)網(wǎng)絡(luò )

　　神經(jīng)網(wǎng)絡(luò )是受人腦神經(jīng)元結構的啟發(fā)，研究者認為人腦所有的神經(jīng)元都是分層的，可以通過(guò)不同的層次學(xué)習不一樣的特征，由簡(jiǎn)單到復雜地模擬出各種特征。

　　上圖是計算機應用數學(xué)的方式來(lái)模擬人腦中神經(jīng)元的示意圖。a1到ak是信號的輸入，神經(jīng)元會(huì )對輸入信號進(jìn)行兩次變換。第一部分是線(xiàn)性變換，因為神經(jīng)元會(huì )對自己感興趣的信號加一個(gè)權重;第二部分是非線(xiàn)性變換。

　　神經(jīng)網(wǎng)絡(luò )就是由許多的神經(jīng)元級聯(lián)而形成的，每一個(gè)神經(jīng)元都經(jīng)過(guò)線(xiàn)性變換和非線(xiàn)性變換，為什么會(huì )有非線(xiàn)性變換?從數學(xué)上看，沒(méi)有非線(xiàn)性變換，不管你神經(jīng)網(wǎng)絡(luò )層次有多深都等價(jià)于一個(gè)神經(jīng)元。如果沒(méi)有非線(xiàn)性變換，神經(jīng)網(wǎng)絡(luò )深度的概念就沒(méi)有什么意義了。

　　卷積神經(jīng)網(wǎng)絡(luò )

　　以上所講的都是一般的全連接神經(jīng)網(wǎng)絡(luò )，接下來(lái)進(jìn)入卷積神經(jīng)網(wǎng)絡(luò )。卷積神經(jīng)網(wǎng)絡(luò )是專(zhuān)門(mén)針對圖片處理方面的神經(jīng)網(wǎng)絡(luò )。卷積神經(jīng)網(wǎng)絡(luò )首先會(huì )輸入一張圖片，這張圖片有三個(gè)顏色通道的數據，這是輸入層。下面是卷積層，有一個(gè)卷積核的概念，每一個(gè)卷積核提取圖片的不同特征。

　　提取出來(lái)以后到池化層，就是把卷積層的數據規?？s小，減少數據的復雜度。卷積和池化連起來(lái)我們叫做一個(gè)隱層，一個(gè)卷積神經(jīng)網(wǎng)絡(luò )會(huì )包含很多個(gè)隱層，隱層之后是全連接層，全連接層的目的是把前面經(jīng)過(guò)多個(gè)卷積池化層的特征把數據平鋪開(kāi)，形成特征向量，我們把特征向量輸入到分類(lèi)器，對圖片進(jìn)行分類(lèi)。

　　簡(jiǎn)單來(lái)說(shuō)，卷積神經(jīng)網(wǎng)絡(luò )更適合計算機視覺(jué)主要有兩個(gè)原因，一是參數共享，另外一個(gè)是稀疏連接。

　　2015年基于深度學(xué)習的計算機視覺(jué)算法在ImageNet數據庫上的識別準確率首次超過(guò)人類(lèi)，同年Google在開(kāi)源自己的深度學(xué)習算法。這些帶動(dòng)中美兩國的科學(xué)家把計算機視覺(jué)算法運用到安防、金融、互聯(lián)網(wǎng)、物流、零售、醫療、文娛、制造業(yè)等不同垂直行業(yè)。但在實(shí)際的運用當中，由于數據可得性、算法成熟度、服務(wù)的容錯率等因素的影響，落地的速度開(kāi)始出現分化。其中，移動(dòng)互聯(lián)網(wǎng)、安防、醫療、無(wú)人駕駛等發(fā)展較慢。

　　技術(shù)發(fā)展趨勢

　　提高預測精度，降低數據標注成本隨著(zhù)技術(shù)的不斷發(fā)展，計算機視覺(jué)能夠識別信息的種類(lèi)從最初的文字信息，到人臉，人的體態(tài)識別，以及各種不同的物體。

　　能夠識別的精度也從最初的人1：1比對，到用于門(mén)禁系統等1：N比對，以及用在黑名單監控等場(chǎng)景的M：N動(dòng)態(tài)監控。除了提高算法精度以外，提高數據標注的效率也是計算機視覺(jué)公司重要的課題之一。

　　企業(yè)發(fā)展戰略開(kāi)始分化，商湯向左，曠視向右，計算機視覺(jué)技術(shù)在中國的快速落地，吸引了以曠視科技Face++、商湯科技、極鏈科技Video++為代表的以算法為核心競爭力的AI初創(chuàng )公司，擁有強大數據采集及軟件開(kāi)發(fā)能力的互聯(lián)網(wǎng)公司，以及華為這樣的科技巨頭。經(jīng)過(guò)一年多的發(fā)展，各個(gè)公司都已經(jīng)根據自己資源的不同，戰略出現了分化。

　　各類(lèi)公司初始時(shí)在產(chǎn)業(yè)環(huán)節中各有偏好，初創(chuàng )企業(yè)在算法與模型訓練上占優(yōu)，互聯(lián)網(wǎng)企業(yè)則擁有天然的數據優(yōu)勢，安防企業(yè)則憑借極強的工程能力加速安防項目落地。

　　AI頭部初創(chuàng )企業(yè)近年來(lái)融資動(dòng)作頻繁，受到資本市場(chǎng)的青睞，在資金方面暫無(wú)瓶頸，然而面臨互聯(lián)網(wǎng)巨頭的挑戰，各大初創(chuàng )企業(yè)應依托已有的獨立設計算法的能力，構建平臺型解決方案，在研發(fā)能力與方案落地速度上取勝。