深度學(xué)習(xí)與傳統(tǒng)圖像識(shí)別

概述

傳統(tǒng)方法中特征提取主要依賴人工設(shè)計(jì)的提取器，需要有專業(yè)知識(shí)及復(fù)雜的調(diào)參過程，同時(shí)每個(gè)方法都是針對(duì)具體應(yīng)用，泛化能力及魯棒性較差。

深度學(xué)習(xí)主要是數(shù)據(jù)驅(qū)動(dòng)進(jìn)行特征提取，根據(jù)大量樣本的學(xué)習(xí)能夠得到深層的、數(shù)據(jù)集特定的特征表示，其對(duì)數(shù)據(jù)集的表達(dá)更高效和準(zhǔn)確，所提取的抽象特征魯棒性更強(qiáng)，泛化能力更好，并且可以是端到端的。缺點(diǎn)是樣本集影響較大，算力要求較高。

（1）大量冗余的proposal生成，導(dǎo)致學(xué)習(xí)效率低下，容易在分類出現(xiàn)大量的假正樣本。（2）特征描述子都是基于低級(jí)特征進(jìn)行手工設(shè)計(jì)的，難以捕捉高級(jí)語義特征和復(fù)雜內(nèi)容。（3）檢測(cè)的每個(gè)步驟是獨(dú)立的，缺乏一種全局的優(yōu)化方案進(jìn)行控制。

隨著卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)能力及計(jì)算機(jī)視覺等方向的發(fā)展，基于深度學(xué)習(xí)的圖像識(shí)別已經(jīng)在精度和實(shí)時(shí)性方面，遠(yuǎn)遠(yuǎn)趕超傳統(tǒng)圖像。

兩種都有優(yōu)點(diǎn)，都有弊端，深度學(xué)習(xí)做識(shí)別，精度高，不然大佬們還再搞傳統(tǒng)的一些辦法，特征提取的過程是自學(xué)習(xí)的，泛化能力比較強(qiáng)，但是需要大量的訓(xùn)練標(biāo)注數(shù)據(jù)，對(duì)硬件要求高。傳統(tǒng)方法實(shí)現(xiàn)相對(duì)簡(jiǎn)單，對(duì)硬件要求低，但是往往精度差，泛化能力弱。個(gè)人認(rèn)為兩手抓，不要什么都是深度學(xué)習(xí)，摒棄傳統(tǒng)辦法，在產(chǎn)品中往往兩種方式結(jié)合的較多。

深度學(xué)習(xí)也不是萬能的，具體效果還是要根據(jù)具體情況。深度學(xué)習(xí)的優(yōu)勢(shì)在于從萬千數(shù)據(jù)中自動(dòng)找尋特征。對(duì)于零件質(zhì)檢領(lǐng)域，由于背景固定且簡(jiǎn)單，傳統(tǒng)方法通過邊緣檢測(cè)，梯度直方圖等方法也能實(shí)現(xiàn)很不錯(cuò)的效果。但是對(duì)于諸如識(shí)別一只貓這種圖像識(shí)別任務(wù)，傳統(tǒng)方法很難找到一種魯棒性特征去恰當(dāng)?shù)拿枋鲐?#xff0c;這時(shí)候深度學(xué)習(xí)就可以上場(chǎng)了。

深度學(xué)習(xí)能夠解決更多高級(jí)的、語義級(jí)別的、只能抽象描述的圖像識(shí)別、檢測(cè)、風(fēng)格、創(chuàng)造性的問題。優(yōu)點(diǎn)是效果優(yōu)異、泛化更好、可端到端訓(xùn)練、無需復(fù)雜調(diào)參，仍處于蓬勃發(fā)展的時(shí)期；但算力、數(shù)據(jù)消耗大，可解釋性目前很弱。

傳統(tǒng)圖像算法能解決某些特定場(chǎng)景的、可人工定義、設(shè)計(jì)、理解的圖像任務(wù)。特定場(chǎng)景效果好，但普遍泛化性弱，可解釋性更強(qiáng)，性能一般更好，但調(diào)參依賴專業(yè)知識(shí)和經(jīng)驗(yàn)。目前在某些極端低算力場(chǎng)景、特定海量處理場(chǎng)景仍有一定應(yīng)用價(jià)值。

總體來講，一種是人工認(rèn)知驅(qū)動(dòng)的方法，一種是數(shù)據(jù)驅(qū)動(dòng)的方法。應(yīng)用的話看場(chǎng)景，只不過深度學(xué)習(xí)一直在不斷拓展其應(yīng)用的場(chǎng)景，傳統(tǒng)方法在某些時(shí)候扔具有一定價(jià)值。

1. 簡(jiǎn)單與復(fù)雜

首先，需要就視覺/計(jì)算機(jī)視覺問題提出一些看法。原則上它可以這樣理解，人們給定一幅由攝像機(jī)拍攝的圖像，并允許計(jì)算機(jī)回答關(guān)于與該圖像內(nèi)容的相關(guān)問題。

問題的范圍可以從“圖像中是否存在三角形”，“圖像中是否有人臉”等簡(jiǎn)單問題到更為復(fù)雜的問題，例如“圖像中是否有狗在追逐貓”。盡管這類的問題看起來很相似，對(duì)于人類來說甚至有點(diǎn)微不足道，但事實(shí)證明，這些問題所隱藏的復(fù)雜性存在巨大差異。

雖然回答諸如“圖像中是否有紅圈”或“圖像中有多少亮點(diǎn)”之類的問題相對(duì)容易，但其看似簡(jiǎn)單的問題如“圖像中是否有一只貓”，則要復(fù)雜得多。“簡(jiǎn)單”視覺問題和“復(fù)雜”視覺問題之間的區(qū)別難以界限。

這一點(diǎn)值得注意，因?yàn)閷?duì)于人類這種高度視覺化的動(dòng)物來說，上述所有問題都是不足以成為難題，即便是對(duì)孩子們來說，回答上述視覺問題也并不困難。然而，處在變革時(shí)期的深度學(xué)習(xí)卻無法回答這些問題。

2. 傳統(tǒng)計(jì)算機(jī)視覺V.S.深度學(xué)習(xí)

傳統(tǒng)計(jì)算機(jī)視覺是廣泛算法的集合，允許計(jì)算機(jī)從圖像中提取信息（通常表示為像素值數(shù)組）。目前，傳統(tǒng)計(jì)算機(jī)視覺已有多種用途，例如對(duì)不同的對(duì)象進(jìn)行去噪，增強(qiáng)和檢測(cè)。

一些用途旨在尋找簡(jiǎn)單的幾何原語，如邊緣檢測(cè)，形態(tài)分析，霍夫變換，斑點(diǎn)檢測(cè)，角點(diǎn)檢測(cè)，各種圖像閾值化技術(shù)等。還有一些特征代表技術(shù)，如方向梯度直方圖可以作為機(jī)器學(xué)習(xí)分類器的前端，來構(gòu)建更復(fù)雜的檢測(cè)。

與普遍的看法相反，上面討論的工具結(jié)合在一起可以造出針對(duì)特定對(duì)象的檢測(cè)，這種檢測(cè)性能強(qiáng)，效率高。除此之外，人們還可以構(gòu)建面部檢測(cè)，汽車檢測(cè)，路標(biāo)檢測(cè)，在精準(zhǔn)度和計(jì)算復(fù)雜性等方面，這些檢測(cè)很可能優(yōu)于深度學(xué)習(xí)。

但問題是，每個(gè)檢測(cè)都需要由有能力的人從頭開始構(gòu)建，這一行為低效又昂貴。因此，從歷史上看，表現(xiàn)優(yōu)良的探測(cè)器只適用于那些必須經(jīng)常被檢測(cè)，并且能夠證明前期投資是明智的對(duì)象。

這些探測(cè)器中有許多是專有的，不向公眾開放，比如人臉檢測(cè)，車牌識(shí)別器等等。但是，沒有一個(gè)心智正常的人會(huì)花錢編寫狗探測(cè)器或分類器，以便從圖像中對(duì)狗的品種進(jìn)行分類。于是，深度學(xué)習(xí)就派上了用場(chǎng)。

3. 優(yōu)秀學(xué)生的啟迪

假設(shè)正在教授計(jì)算機(jī)視覺課程，在課程的前半部分，要帶領(lǐng)學(xué)生們復(fù)習(xí)大量的專業(yè)知識(shí)，然后留時(shí)間給學(xué)生完成任務(wù)，也就是收集圖像內(nèi)容并提問。任務(wù)一開始很簡(jiǎn)單，例如通過詢問圖像中是否有圓形或正方形，再到更復(fù)雜的任務(wù)，例如區(qū)分貓和狗。

學(xué)生每周都要編寫計(jì)算機(jī)程序來完成任務(wù)，而負(fù)責(zé)查看學(xué)生編寫的代碼，并運(yùn)行查看它們的效果如何。

一名新生加入了班級(jí)。不愛說話，不愛社交，也沒有提過什么問題。但是，當(dāng)提交自己的第一個(gè)任務(wù)方案時(shí)，感到有點(diǎn)意外。這名新生編寫的代碼讓人難以理解，從來都沒見過這樣的代碼。看起來像是用隨機(jī)的過濾器對(duì)每幅圖像進(jìn)行卷積，然后再用非常奇怪的邏輯來得到最終的答案。

運(yùn)行了這段代碼，效果非常好。心想，雖然這個(gè)解決方案非同尋常，但只要它有效就足夠了。幾周過去了，學(xué)生們需要完成的任務(wù)難度越來越高，也從這名新生那里得到了越來越復(fù)雜的代碼。代碼出色地完成了難度日益增大的任務(wù)，但無法真正理解其中的內(nèi)容。

期末的時(shí)候，給學(xué)生們布置了一項(xiàng)作業(yè)，用一組真實(shí)的圖片來區(qū)分貓和狗。結(jié)果，沒有學(xué)生能夠在這項(xiàng)任務(wù)上達(dá)到超過65％的準(zhǔn)確率，但是新生編寫的代碼準(zhǔn)確率高達(dá)95%，大吃一驚。開始在接下來的幾天中深入分析這些高深莫測(cè)的代碼。給它新的示例，然后進(jìn)行修改，試著找出影響程序決策的因素，對(duì)其進(jìn)行反向工程。

最終得出一個(gè)非常令人驚訝的結(jié)論：代碼會(huì)檢測(cè)出狗的標(biāo)簽。如果它能檢測(cè)到標(biāo)簽，那么它就可以判斷對(duì)象的下部是否為棕色。如果是，則返回“cat”，否則返回“dog”。如果不能檢測(cè)到標(biāo)簽，那么它將檢查對(duì)象的左側(cè)是否比右側(cè)更黃。如果是，則返回“dog”，否則返回“cat”。

邀請(qǐng)這名新生到辦公室，并把研究結(jié)果呈給他。詢問是否認(rèn)為自己真的解決了問題？在長(zhǎng)時(shí)間的沉默之后，終于喃喃自語道，解決了數(shù)據(jù)集顯示的任務(wù)，但并不知道狗長(zhǎng)什么樣，也不知道狗和貓之間有什么不同……

很明顯，作弊了，因?yàn)榻鉀Q任務(wù)目的和想要的目的無關(guān)。不過，又沒有作弊，因?yàn)榻鉀Q方案確實(shí)是有效的。然而，其學(xué)生的表現(xiàn)都不怎么樣。試圖通過問題來解決任務(wù)，而不是通過原始數(shù)據(jù)集。雖然程序運(yùn)行得并不好，倒也沒有犯奇怪的錯(cuò)誤。

4. 深度學(xué)習(xí)的祝福和詛咒

深度學(xué)習(xí)是一種技術(shù)，它使用一種稱為梯度反向傳播的優(yōu)化技術(shù)來生成“程序”(也稱為“神經(jīng)網(wǎng)絡(luò)”)，就像上面故事中學(xué)者學(xué)生編寫的那些程序一樣。這些“程序”和優(yōu)化技術(shù)對(duì)世界一無所知，它所關(guān)心的只是構(gòu)建一組轉(zhuǎn)換和條件，將正確的標(biāo)簽分配給數(shù)據(jù)集中的正確圖像。

通過向訓(xùn)練集添加更多的數(shù)據(jù)，可以消除虛假的偏差，但是，伴隨著數(shù)百萬個(gè)參數(shù)和數(shù)千個(gè)條件檢查，反向傳播生成的“程序”會(huì)非常大，非常復(fù)雜，因此它們可以鎖定更細(xì)微偏差的組合。任何通過分配正確標(biāo)簽，來統(tǒng)計(jì)優(yōu)化目標(biāo)函數(shù)的方法都可以使用，不管是否與任務(wù)的“語義精神”有關(guān)。

這些網(wǎng)絡(luò)最終能鎖定“語義正確”的先驗(yàn)嗎？當(dāng)然可以。但是現(xiàn)在有大量的證據(jù)表明，這并不是這些網(wǎng)絡(luò)分內(nèi)之事。相反的例子表明，對(duì)圖像進(jìn)行非常微小的、無法察覺的修改就可以改變檢測(cè)結(jié)果。

研究人員對(duì)訓(xùn)練過的數(shù)據(jù)集的新示例進(jìn)行了研究，結(jié)果表明，原始數(shù)據(jù)集之外的泛化要比數(shù)據(jù)集內(nèi)的泛化弱得多，因此說明，網(wǎng)絡(luò)所依賴的給定數(shù)據(jù)集具有特定的低層特性。在某些情況下，修改單個(gè)像素就足以產(chǎn)生一個(gè)新的深度網(wǎng)絡(luò)分類器。

在某種程度上，深度學(xué)習(xí)最大的優(yōu)勢(shì)就是自動(dòng)創(chuàng)建沒有人會(huì)想到的特性能力，這同時(shí)也是它最大的弱點(diǎn)，因?yàn)榇蠖鄶?shù)這些功能至少在語義上看起來，可以說是“可疑的”。

5. 什么時(shí)候有意義，什么時(shí)候沒有意義?

深度學(xué)習(xí)對(duì)于計(jì)算機(jī)視覺系統(tǒng)來說無疑是一個(gè)有趣的補(bǔ)充。現(xiàn)在可以相對(duì)容易地“訓(xùn)練”探測(cè)器來探測(cè)那些昂貴且不切實(shí)際的物體。還可以在一定程度上擴(kuò)展這些檢測(cè)，以使用更多的計(jì)算能力。

但為這種奢侈付出的代價(jià)是高昂的：不知道深度學(xué)習(xí)是如何做出判斷，而且確實(shí)知道，分類的依據(jù)很可能與任務(wù)的“語義精神”無關(guān)。而且，只要輸入數(shù)據(jù)違反訓(xùn)練集中的低水平偏差，檢測(cè)就會(huì)出現(xiàn)失效。這些失效條件目前尚且不為人知。

因此，在實(shí)踐中，深度學(xué)習(xí)對(duì)于那些錯(cuò)誤不是很嚴(yán)重，并且保證輸入不會(huì)與訓(xùn)練數(shù)據(jù)集有很大差異的應(yīng)用程序非常有用，這些應(yīng)用能夠承受5%以內(nèi)的錯(cuò)誤率就沒問題，包括圖像搜索、監(jiān)視、自動(dòng)化零售，以及幾乎所有不是“關(guān)鍵任務(wù)”的東西。

具有諷刺意味的是，大多數(shù)人認(rèn)為深度學(xué)習(xí)是應(yīng)用領(lǐng)域的一次革命，因?yàn)樯疃葘W(xué)習(xí)的決策具有實(shí)時(shí)性，錯(cuò)誤具有重大性，甚至?xí)?dǎo)致致命的結(jié)果，如自動(dòng)駕駛汽車，自主機(jī)器人（例如，最近的研究表明，基于深層神經(jīng)網(wǎng)絡(luò)的自主駕駛確實(shí)容易受到現(xiàn)實(shí)生活中的對(duì)抗性攻擊）。只能將這種信念描述為對(duì)“不幸”的誤解。

一些人對(duì)深度學(xué)習(xí)在醫(yī)學(xué)和診斷中的應(yīng)用寄予厚望。然而，在這方面也有一些令人擔(dān)憂的發(fā)現(xiàn)，例如，針對(duì)一個(gè)機(jī)構(gòu)數(shù)據(jù)的模型未能很好地檢測(cè)另一個(gè)機(jī)構(gòu)數(shù)據(jù)。這再次印證了一種觀點(diǎn)：這些模型獲取的數(shù)據(jù)要比許多研究人員所希望的更淺。

6. 數(shù)據(jù)比想象的要淺

出人意料的是，深度學(xué)習(xí)教會(huì)了一些關(guān)于視覺數(shù)據(jù)(通常是高維數(shù)據(jù))的東西，這個(gè)觀點(diǎn)十分有趣：在某種程度上，數(shù)據(jù)比過去認(rèn)為的要“淺”得多。

似乎有更多的方法來統(tǒng)計(jì)地分離標(biāo)有高級(jí)人類類別的可視化數(shù)據(jù)集，然后有更多的方法來分離這些“語義正確”的數(shù)據(jù)集。換句話說，這組低水平的圖像特征比想象的更具“統(tǒng)計(jì)意義”。這是深度學(xué)習(xí)的偉大發(fā)現(xiàn)。

如何生成“語義上合理”的方法來分離可視數(shù)據(jù)集模型的問題仍然存在，事實(shí)上，這個(gè)問題現(xiàn)在似乎比以前更難回答。

7. 結(jié)論

深度學(xué)習(xí)已經(jīng)成為計(jì)算機(jī)視覺系統(tǒng)的重要組成部分。但是傳統(tǒng)的計(jì)算機(jī)視覺并沒有走到那一步，而且，它仍然可以用來建造非常強(qiáng)大的探測(cè)器。這些人工制作的檢測(cè)在某些特定的數(shù)據(jù)集度量上可能無法實(shí)現(xiàn)深度學(xué)習(xí)的高性能，但是可以保證依賴于輸入的“語義相關(guān)”特性集。

深度學(xué)習(xí)提供了統(tǒng)計(jì)性能強(qiáng)大的檢測(cè)，而且不需要犧牲特征工程，不過仍然需要有大量的標(biāo)記數(shù)據(jù)、大量GPU，以及深度學(xué)習(xí)專家。然而，這些強(qiáng)大的檢測(cè)也會(huì)遭遇意外的失敗，因?yàn)樗鼈兊倪m用范圍無法輕易地描述(或者更確切地說，根本無法描述)。

需要注意的是，上面的討論都與“人工智能”中的AI無關(guān)。不認(rèn)為像深度學(xué)習(xí)與解決人工智能的問題有任何關(guān)系。但確實(shí)認(rèn)為，將深度學(xué)習(xí)、特性工程和邏輯推理結(jié)合起來，可以在廣泛的自動(dòng)化空間中實(shí)現(xiàn)非常有趣和有用的技術(shù)能力。

總結(jié)

以上是生活随笔為你收集整理的深度学习与传统图像识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。