【相關(guān)專題 | 【計(jì)算機(jī)視覺(jué)】  計(jì)算機(jī)視覺(jué)技術(shù)行業(yè)現(xiàn)狀、市場(chǎng)分析與發(fā)展前景】

　　計(jì)算機(jī)視覺(jué)是人工智能的一個(gè)重要方面，通過(guò)精準(zhǔn)的實(shí)現(xiàn)圖片識(shí)別等可以擴(kuò)展計(jì)算機(jī)的使用范圍。

　　計(jì)算機(jī)技術(shù)的幾項(xiàng)技術(shù)

　　1、圖像分類

　　給定一組各自被標(biāo)記為單一類別的圖像，我們對(duì)一組新的測(cè)試圖像的類別進(jìn)行預(yù)測(cè)，并測(cè)量預(yù)測(cè)的準(zhǔn)確性結(jié)果，這就是圖像分類問(wèn)題。

　　計(jì)算機(jī)視覺(jué)研究人員提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的方法。 該算法并不是直接在代碼中指定每個(gè)感興趣的圖像類別，而是為計(jì)算機(jī)每個(gè)圖像類別都提供許多示例，然后設(shè)計(jì)一個(gè)學(xué)習(xí)算法，查看這些示例并學(xué)習(xí)每個(gè)類別的視覺(jué)外觀。也就是說(shuō)，首先積累一個(gè)帶有標(biāo)記圖像的訓(xùn)練集，然后將其輸入到計(jì)算機(jī)中，由計(jì)算機(jī)來(lái)處理這些數(shù)據(jù)。

　　目前較為流行的圖像分類架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)——將圖像送入網(wǎng)絡(luò)，然后網(wǎng)絡(luò)對(duì)圖像數(shù)據(jù)進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)從輸入“掃描儀”開(kāi)始，該輸入“掃描儀”也不會(huì)一次性解析所有的訓(xùn)練數(shù)據(jù)。比如輸入一個(gè)大小為 100*100 的圖像，你也不需要一個(gè)有 10,000 個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)層。相反，你只需要?jiǎng)?chuàng)建一個(gè)大小為 10 *10 的掃描輸入層，掃描圖像的前 10*10 個(gè)像素。然后，掃描儀向右移動(dòng)一個(gè)像素，再掃描下一個(gè) 10 *10 的像素，這就是滑動(dòng)窗口。

　　輸入數(shù)據(jù)被送入卷積層，而不是普通層。每個(gè)節(jié)點(diǎn)只需要處理離自己最近的鄰近節(jié)點(diǎn)，卷積層也隨著掃描的深入而趨于收縮。除了卷積層之外，通常還會(huì)有池化層。池化是過(guò)濾細(xì)節(jié)的一種方法，常見(jiàn)的池化技術(shù)是最大池化，它用大小為 2*2 的矩陣傳遞擁有最多特定屬性的像素。

　　2、對(duì)象檢測(cè)

　　識(shí)別圖像中的對(duì)象這一任務(wù)，通常會(huì)涉及到為各個(gè)對(duì)象輸出邊界框和標(biāo)簽。這不同于分類/定位任務(wù)——對(duì)很多對(duì)象進(jìn)行分類和定位，而不僅僅是對(duì)個(gè)主體對(duì)象進(jìn)行分類和定位。在對(duì)象檢測(cè)中，你只有 2 個(gè)對(duì)象分類類別，即對(duì)象邊界框和非對(duì)象邊界框。例如，在汽車檢測(cè)中，你必須使用邊界框檢測(cè)所給定圖像中的所有汽車。

　　神經(jīng)網(wǎng)絡(luò)研究人員使用區(qū)域(region)這一概念，這樣我們就會(huì)找到可能包含對(duì)象的“斑點(diǎn)”圖像區(qū)域，這樣運(yùn)行速度就會(huì)大大提高。第一種模型是基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)( R-CNN )，其算法原理如下：

　　在 R-CNN 中，首先使用選擇性搜索算法掃描輸入圖像，尋找其中的可能對(duì)象，從而生成大約 2,000 個(gè)區(qū)域建議;

　　然后，在這些區(qū)域建議上運(yùn)行一個(gè) 卷積神網(wǎng)絡(luò);

　　最后，將每個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸出傳給支持向量機(jī)( SVM )，使用一個(gè)線性回歸收緊對(duì)象的邊界框。

　　3、目標(biāo)跟蹤

　　目標(biāo)跟蹤，是指在特定場(chǎng)景跟蹤某一個(gè)或多個(gè)特定感興趣對(duì)象的過(guò)程。傳統(tǒng)的應(yīng)用就是視頻和真實(shí)世界的交互，在檢測(cè)到初始對(duì)象之后進(jìn)行觀察。現(xiàn)在，目標(biāo)跟蹤在無(wú)人駕駛領(lǐng)域也很重要，例如 Uber 和特斯拉等公司的無(wú)人駕駛。

　　根據(jù)觀察模型，目標(biāo)跟蹤算法可分成 2 類：生成算法和判別算法。

　　生成算法使用生成模型來(lái)描述表觀特征，并將重建誤差最小化來(lái)搜索目標(biāo)，如主成分分析算法( PCA );

　　判別算法用來(lái)區(qū)分物體和背景，其性能更穩(wěn)健，并逐漸成為跟蹤對(duì)象的主要手段(判別算法也稱為 Tracking-by-Detection ，深度學(xué)習(xí)也屬于這一范疇)。

　　4、語(yǔ)義分割

　　計(jì)算機(jī)視覺(jué)的核心是分割，它將整個(gè)圖像分成一個(gè)個(gè)像素組，然后對(duì)其進(jìn)行標(biāo)記和分類。特別地，語(yǔ)義分割試圖在語(yǔ)義上理解圖像中每個(gè)像素的角色(比如，識(shí)別它是汽車、摩托車還是其他的類別)。除了識(shí)別人、道路、汽車、樹(shù)木等之外，我們還必須確定每個(gè)物體的邊界。因此，與分類不同，我們需要用模型對(duì)密集的像素進(jìn)行預(yù)測(cè)。

　　卷積神經(jīng)網(wǎng)絡(luò)在分割任務(wù)上取得了巨大成功。目前的語(yǔ)義分割研究都依賴于完全卷積網(wǎng)絡(luò)，如空洞卷積 ( Dilated Convolutions )，DeepLab 和 RefineNet 。

　　5、實(shí)例分割

　　除了語(yǔ)義分割之外，實(shí)例分割將不同類型的實(shí)例進(jìn)行分類，比如用 5 種不同顏色來(lái)標(biāo)記 5 輛汽車。分類任務(wù)通常來(lái)說(shuō)就是識(shí)別出包含單個(gè)對(duì)象的圖像是什么，但在分割實(shí)例時(shí)，我們需要執(zhí)行更復(fù)雜的任務(wù)。我們會(huì)看到多個(gè)重疊物體和不同背景的復(fù)雜景象，我們不僅需要將這些不同的對(duì)象進(jìn)行分類，而且還要確定對(duì)象的邊界、差異和彼此之間的關(guān)系!

　　Mask R-CNN 通過(guò)向 Faster R-CNN 添加一個(gè)分支來(lái)進(jìn)行像素級(jí)分割，該分支輸出一個(gè)二進(jìn)制掩碼，該掩碼表示給定像素是否為目標(biāo)對(duì)象的一部分：該分支是基于卷積神經(jīng)網(wǎng)絡(luò)特征映射的全卷積網(wǎng)絡(luò)。將給定的卷積神經(jīng)網(wǎng)絡(luò)特征映射作為輸入，輸出為一個(gè)矩陣，其中像素屬于該對(duì)象的所有位置用 1 表示，其他位置則用 0 表示，這就是二進(jìn)制掩碼。一旦生成這些掩碼， Mask R-CNN 將 RoIAlign 與來(lái)自 Faster R-CNN 的分類和邊界框相結(jié)合，以便進(jìn)行精確的分割。

　　計(jì)算機(jī)視覺(jué)技術(shù)的應(yīng)用場(chǎng)景

　　1，人臉識(shí)別

　　人臉識(shí)別是人工智能視覺(jué)與圖像領(lǐng)域中最熱門的應(yīng)用，人臉識(shí)別技術(shù)目前已經(jīng)廣泛應(yīng)用于金融、司法、軍隊(duì)、公安、邊檢、政府、航天、電力、工廠、教育、醫(yī)療等行業(yè)。據(jù)業(yè)內(nèi)人士分析，我國(guó)的人臉識(shí)別產(chǎn)業(yè)的需求旺盛，需求推動(dòng)導(dǎo)致企業(yè)敢于投入資金。目前，該技術(shù)已具備大規(guī)模商用的條件，未來(lái)三到五年將高速增長(zhǎng)。而今年，這一技術(shù)有望在金融與安防領(lǐng)域迎來(lái)大爆發(fā)。

　　2，圖片識(shí)別分析

　　靜態(tài)圖片識(shí)別應(yīng)用熱度在視覺(jué)與圖像領(lǐng)域中排名第三。但是人工智能技術(shù)單純用于圖片識(shí)別分析的應(yīng)用企業(yè)數(shù)量并不如預(yù)想的多，主要包括的原因有：(1)、目前視頻監(jiān)控方向的盈利空間大，眾多企業(yè)的注意力都放在了視頻監(jiān)控領(lǐng)域;(2)、人臉識(shí)別屬于圖片識(shí)別的一個(gè)應(yīng)用場(chǎng)景，做人臉識(shí)別的大多數(shù)企業(yè)同時(shí)也在提供圖片識(shí)別服務(wù)，但是銷售效果不佳，主要贏利點(diǎn)還在于人臉識(shí)別;(3)、圖片識(shí)別大多商用場(chǎng)景還屬于藍(lán)海，潛力有待開(kāi)發(fā);(4)、圖片數(shù)據(jù)大多被大型互聯(lián)網(wǎng)企業(yè)所掌握，創(chuàng)業(yè)公司數(shù)據(jù)資源稀少。

　　3，駕駛輔助和智能駕駛

　　隨著汽車的普及，汽車已經(jīng)成為人工智能技術(shù)非常大的應(yīng)用投放方向，但就目前來(lái)說(shuō)，想要完全實(shí)現(xiàn)自動(dòng)駕駛和無(wú)人駕駛，距離技術(shù)成熟還有一段路要走。

　　不過(guò)利用人工智能技術(shù)，汽車的駕駛輔助的功能及應(yīng)用越來(lái)越多，這些應(yīng)用多半是基于計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)來(lái)實(shí)現(xiàn)。

　　4，三維圖像視覺(jué)

　　三維圖像視覺(jué)主要是對(duì)于三維物體的識(shí)別，應(yīng)用于三維視覺(jué)建模，三維測(cè)繪等領(lǐng)域。

　　5，工業(yè)視覺(jué)檢測(cè)

　　機(jī)器視覺(jué)可以快速獲取大量信息，并進(jìn)行自動(dòng)處理。在自動(dòng)化生產(chǎn)過(guò)程中，人們將機(jī)器視覺(jué)系統(tǒng)廣泛地用于工況監(jiān)視、成品檢驗(yàn)和質(zhì)量控制等領(lǐng)域。機(jī)器視覺(jué)系統(tǒng)的特點(diǎn)是提高生產(chǎn)的柔性和自動(dòng)化程度。運(yùn)用在一些危險(xiǎn)工作環(huán)境或人工視覺(jué)難以滿足要求的場(chǎng)合;此外，在大批量工業(yè)生產(chǎn)過(guò)程中，機(jī)器視覺(jué)檢測(cè)可以大大提高生產(chǎn)效率和生產(chǎn)的自動(dòng)化程度。

　　6，醫(yī)療影像診斷

　　醫(yī)療數(shù)據(jù)中有超過(guò) 90% 的數(shù)據(jù)來(lái)自醫(yī)療影像。醫(yī)療影像領(lǐng)域擁有孕育深度學(xué)習(xí)的海量數(shù)據(jù)，醫(yī)療影像診斷可以輔助醫(yī)生，提升醫(yī)生的診斷的效率。

　　發(fā)展科技是在市場(chǎng)競(jìng)爭(zhēng)中獲取先機(jī)的重要方式，但是將技術(shù)和市場(chǎng)競(jìng)爭(zhēng)結(jié)合，尋找產(chǎn)品的切入點(diǎn)，應(yīng)用場(chǎng)景和以后的發(fā)展方式也應(yīng)該得到重視。