计算机视觉的黄金时代：机遇与挑战

华刚

微软亚洲研究院视觉计算组组长、资深计算机视觉专家

华刚：大家下午好！今天报告题目是计算视觉的黄金时代，机遇与挑战。如果我们看到这个题目，关键字有几个，第一个是计算机视觉，第二个黄金时代，第三个第四个机遇挑战。

    基于这四个关键字给大家讲讲我的理解和看法。什么是计算机视觉？学术的观点定义领域的话，计算机视觉我们从图象和视频中间提取数值和符号计算机系统。我们说一个愿景能让计算机像人类一样看到并理解图象，我们认为是一个黄金时代回顾一下计算机视觉真正发展的历史。基本上来讲计算机视觉历史第一个萌芽阶段，1955年到1979年的时间，这个领域还是相对比较新的领域。在55年我们对于计算机视觉提出一个展望，在MIT一个暑期人工智能会议上。我们在三四个月内能不能把计算机视觉工作解决了，直到今天还没有完全解决。中间经历了很多发展，在70年代麻省理工真正成立研究小组，开设第一门计算机视觉课程。

    从今天来讲，我们看到会是非常简单一个图片，是一些像块状的物体，这是MIT第一篇博士论文。称之为萌芽阶段，大家处于一种探索状态，这个领域怎么走？早期期望说三个月把这个问题解决，甚至40年之后我们仍然没有把这个问题解决。计算机视觉真正发展一个非常坚持的基础，应该是从21世纪到80年代的时间，这中间发生很多时间，在80年代初光学支付（音译）识别系统，应用于商业应用邮局。美国邮局大家利用信件交流方式很多，包括公司各种商业应用，涉及到邮件分检的问题。

    这中间发生了几个里程碑事件，包括三维视觉的理论体系基本完备了。到90年代初人脸和语音识别，统计学识别方法已经引入到计算机视觉上了。计算机视觉真正爆发时间，我认为从21世纪10年代中，涉及到几个方面的因素。第一个我们进入互联网时代，对于图象数据积累，以及我们对硬件技术的发展，我们对摄像机前端这种硬件设备技术也是在日益增进，包括微软代表3D设想传感器带来的新的实际应用。

    如果要从这三个阶段中找一个比较代表性的节点，我认为在爆发阶段是深度学习模型，它为什么会对计算机视觉带来本质上的影响和变化。我们更广泛看计算机视觉应用的话，在这些年产生非常广泛的应用，包括三维图象的建模，包括监控，以及人机交互产生非常大的影响。为什么处在计算机视觉黄金时代？我认为是一个更多的工作，CVPR是我们计算机视觉的联会。当我自己还是一个博士生的时候，去参加CVPR，只有两家公司招聘，一家公司（桑娜福音译），一个是西门子。到2016年的时候，有一个网站上千条的工作信息，我们真正这个技术开始进入产业界。

    这个CVPR有更多人参与到这个年会，CVPR今年年会已经到3500人参加这个会议，5年前就是1000人左右。最重要我们有更多资金注入进来，现在博士毕业生很轻易拿到一个100万的年薪工作，今年CVPR将近100家公司占驻这个CVPR，我们看到越来越多的资金流向这个领域。我自己作为CVPR  主办成员之一，我们在会场设计上我们希望会达到5000人的规模。

    这里一个朋友，讲的一句话，在他36年的从事计算机视觉研究一个经历中间，从来没有看到我们这个领域像现在这么好过，他说我们在计算机视觉第一个黄金时代，以前没有过。他自己现在也在亚马逊作为一个保密状态工作，在帮亚马逊做一些事情。黄金时代我们实际上有一些什么样的机遇？为什么这个阶段产生爆发性的状态。

    前面两位老师提到一些，我们拥有了更多数据从各个方面来的。第二个方面，刚才山老师提到我们计算机视觉很多方法，可能在2、30年前被学习过，当时计算能力还不够。第三个就是深度学习模型，在微软研究院同事做的传感网络，已经做到1001层，在7、8年前不可想象。下面我就展示一下微软研究院在这个阶段我们一些小小的成果。

    我们微软认知服务，我们已经在上面发布了非常多的算法API，包括计算机视觉方面、语音方面、自然语言处理方面包括知识库方面，还有搜索库方面。人脸识别方面API，我们在两年以前人脸识别API已经有非常有成功的。Windows  hello。我们最近另外一个工作，怎么在图象和风格之间做转换，左边这个是所谓风格的图，右边是所谓内容图，我们这个应用算法一个目的，我怎么能够把右边这张图渲染成左边图的风格，实际上我们有一些最新基于深度学习一个方法，我们真正试图去理解怎么描述这种图象的风格。

    这里给看到更多的结果，当固定内容图的时候，我们可以把它渲染成不同的风格，用同一个网络。我们说计算机视觉黄金时代机遇在什么地方？我参加他80岁生日一个论坛，非常好的朋友也算他的学生，马里兰一个大学教授，他就讲一个观点，因为我们讲计算机视觉带来的影响？第一个观点，深度学习模型就像一个和面机一样，你把很多东西放进去它出来非常好吃的东西。它是一个非常好的东西，我们要利用好它。它是一个让众生变的平等的东西。我雇了两个高中生，编程能力很强，在计算机视觉方面很低，不管你有一年的经验，还是多年经验，让它飞固然是好的模型。因为涉及到很多观点，媒体朋友不要随便转载这些观点，让大家有一个体会。

    涉及到黄金时代机遇什么？实际上把这个技术门槛降低不少，现在很多人不需要经过10年的训练能去做一些计算机视觉应用，或者是技术。所以我认为这实际上是产业界一个机遇。产业界很少有人去愿意走40步的。实际上从产学研角度来讲，这个学界应该还是更多去开创一些新的研究领域，能够做一些更好的事情。

    黄金时代另外一个机遇就是创业、创业，我们很多老师已经创业了，像山老师，像朱珑一直学术方面走的比较多的意图，当我看到山老师公司的时候，是一个中英文混合体，山老师到底是看他还是看他，我不太明白。一个是人脸识别，一个是自动驾驶，人脸识别目前离实际应用最近一个，而且各个方面产生实际应用也是非常好的过程。我们遇到挑战什么？其实这么多年计算机视觉一直试图大家问自己一个问题，什么是计算机视觉杀手级应用？它是人脸识别吗？还是安防监控，还是辅助医疗图象诊断，我想大家没有回答，更多是摸索和探索。至于自动驾驶，我们还是保守推动这个行业，不要寒冬。我们还要小心谨慎一样，不要让杀手级应用真正变成杀手应用。

    另一方面，这个问题不仅在中国存在，其实在美国很多大学里面教授，做计算机视觉方面很多进了公司，或者自己出来创业。大家问一个问题，这些教授创业和进了产业界，谁来培养下一代的学生，这个问题值得思考。

    最后自己关于计算机视觉思考，这三个方面。第一个方面，为什么深度学习对计算机视觉好用？实际上大家如果在计算机视觉领域，计算机视觉本质是解不适定的问题。第二个深度学习本质上提供了用前馈的模型解反问题的框架。这是一个非常在高层面上一个理解的解释，本质上解这种不好的反问题的时候，我们有了反问题的框架。我自己对整体上的方法非常欣赏，但是自己还有一些领域的知识放在里面。

    第二个，计算机视觉发展到今天，40年前从人工智能科学研究共同体分离出来有一个原因，40年前人工智能，包括语音识别，包括计算机视觉技术没有成熟。2010年计算机视觉、自然语言处理，语音识别这些技术发展到一定程度，天下大势，分久必合，合久必分，大家思考一个问题，最终人工智能方面技术我们怎么能够集合到一起，为综合人工智能系统服务。

    最后讲，计算机视觉产学研一个互动。这个问题很简单，本质上认为所谓互动三个要素一个流通，研究人员、资金和技术，这个方面做的比较好，大家可以关注一下微软亚洲研究院博士生和学生培养的工作，我们计算科学的研究十几年历史，跟各个高校联合博士培养一个项目，这个学校的学生可以在我们研究院做五年的学习，拿到博士学位。包括给学校提供资金上的支持，在座有很多出来创业或者是产业界，还是想我们在人工智能产业上我们从中得到一些东西，还想到回馈给这个领域。谢谢大家！

本文来源于"中国人工智能学会",原文发表时间" 2016-10-26 "