主流的機(jī)器視覺(jué)技術(shù)又有哪些呢？

導(dǎo)語(yǔ)：視覺(jué)是人類(lèi)最敏感、最直接的感知方式，在不進(jìn)行實(shí)際接觸的情況下，視覺(jué)感知可以使得我們獲取周?chē)h(huán)境的諸多信息。由于生物視覺(jué)系統(tǒng)非常復(fù)雜，目前還不能使得某一機(jī)器系統(tǒng)完全具備這一強(qiáng)大的視覺(jué)感知能力。

當(dāng)下，機(jī)器視覺(jué)的目標(biāo)即，構(gòu)建一個(gè)在可控環(huán)境中處理特定任務(wù)的機(jī)器視覺(jué)系統(tǒng)。由于工業(yè)中的視覺(jué)環(huán)境可控，并且處理任務(wù)特定，所以現(xiàn)如今大部分的機(jī)器視覺(jué)被應(yīng)用在工業(yè)當(dāng)中。

人類(lèi)視覺(jué)感知是通過(guò)眼睛視網(wǎng)膜的椎體和桿狀細(xì)胞對(duì)光源進(jìn)行捕捉，而后由神經(jīng)纖維將信號(hào)傳遞至大腦視覺(jué)皮層，形成我們所看到的圖像，而機(jī)器視覺(jué)卻不然。機(jī)器視覺(jué)系統(tǒng)的輸入是圖像，輸出是對(duì)這些圖像的感知描述。這組描述與這些圖像中的物體或場(chǎng)景息息相關(guān)，并且這些描述可以幫助機(jī)器來(lái)完成特定的后續(xù)任務(wù)，指導(dǎo)機(jī)器人系統(tǒng)與周?chē)沫h(huán)境進(jìn)行交互。

那么，迄今為止，主流的機(jī)器視覺(jué)技術(shù)又有哪些呢?

中流砥柱

卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是目前計(jì)算機(jī)視覺(jué)中使用最普遍的模型結(jié)構(gòu)。引入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，既能提取到相鄰像素點(diǎn)之間的特征模式，又能保證參數(shù)的個(gè)數(shù)不隨圖片尺寸變化。上圖是一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，多層卷積和池化層組合作用在輸入圖片上，在網(wǎng)絡(luò)的最后通常會(huì)加入一系列全連接層，ReLU激活函數(shù)一般加在卷積或者全連接層的輸出上，網(wǎng)絡(luò)中通常還會(huì)加入Dropout來(lái)防止過(guò)擬合。

自2012年AlexNet在ImageNet比賽上獲得冠軍，卷積神經(jīng)網(wǎng)絡(luò)逐漸取代傳統(tǒng)算法成為了處理計(jì)算機(jī)視覺(jué)任務(wù)的核心。

在這幾年，研究人員從提升特征提取能力，改進(jìn)回傳梯度更新效果，縮短訓(xùn)練時(shí)間，可視化內(nèi)部結(jié)構(gòu)，減少網(wǎng)絡(luò)參數(shù)量，模型輕量化, 自動(dòng)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)等這些方面，對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有了較大的改進(jìn)，逐漸研究出了AlexNet、ZFNet、VGG、NIN、GoogLeNet和Inception系列、ResNet、WRN和DenseNet等一系列經(jīng)典模型，MobileNet系列、ShuffleNet系列、SqueezeNet和Xception等輕量化模型。

·卷積網(wǎng)絡(luò)示意圖

經(jīng)典模型（AlexNet）：

AlexNet是第一個(gè)深度神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)包括：

1. 使用ReLU作為激活函數(shù)。

2. 提出在全連接層使用Dropout避免過(guò)擬合。注：當(dāng)BN提出后，Dropout就被BN替代了。

3. 由于GPU顯存太小，使用了兩個(gè)GPU，做法是在通道上分組。

4. 使用局部響應(yīng)歸一化(Local Response Normalization --LRN)，在生物中存在側(cè)抑制現(xiàn)象，即被激活的神經(jīng)元會(huì)抑制周?chē)纳窠?jīng)元。在這里的目的是讓局部響應(yīng)值大的變得相對(duì)更大，并抑制其它響應(yīng)值相對(duì)比較小的卷積核。例如，某特征在這一個(gè)卷積核中響應(yīng)值比較大，則在其它相鄰卷積核中響應(yīng)值會(huì)被抑制，這樣一來(lái)卷積核之間的相關(guān)性會(huì)變小。LRN結(jié)合ReLU，使得模型提高了一點(diǎn)多個(gè)百分點(diǎn)。

5. 使用重疊池化。作者認(rèn)為使用重疊池化會(huì)提升特征的豐富性，且相對(duì)來(lái)說(shuō)會(huì)更難過(guò)擬合。

集大成之作（ResNet）：

一般而言，網(wǎng)絡(luò)越深越寬會(huì)有更好的特征提取能力，但當(dāng)網(wǎng)絡(luò)達(dá)到一定層數(shù)后，隨著層數(shù)的增加反而導(dǎo)致準(zhǔn)確率下降，網(wǎng)絡(luò)收斂速度更慢。

傳統(tǒng)的卷積網(wǎng)絡(luò)在一個(gè)前向過(guò)程中每層只有一個(gè)連接，ResNet增加了殘差連接從而增加了信息從一層到下一層的流動(dòng)。FractalNets重復(fù)組合幾個(gè)有不同卷積塊數(shù)量的并行層序列，增加名義上的深度，卻保持著網(wǎng)絡(luò)前向傳播短的路徑。相類(lèi)似的操作還有Stochastic depth和Highway Networks等。這些模型都顯示一個(gè)共有的特征，縮短前面層與后面層的路徑，其主要的目的都是為了增加不同層之間的信息流動(dòng)。

后起之秀

Transformers

Transformer是一種self-attention(自注意力)模型架構(gòu)，2017年之后在NLP領(lǐng)域取得了很大的成功，尤其是序列到序列(seq2seq)任務(wù)，如機(jī)器翻譯和文本生成。2020年，谷歌提出pure transformer結(jié)構(gòu)ViT ，在ImageNet分類(lèi)任務(wù)上取得了和CNN可比的性能。之后大量ViT衍生的Transformer架構(gòu)在ImageNet上都取得了成功。

Transformer 與 CNN相比優(yōu)點(diǎn)是具有較少的歸納性與先驗(yàn)性，因此可以被認(rèn)為是不同學(xué)習(xí)任務(wù)的通用計(jì)算原語(yǔ)，參數(shù)效率與性能增益與 CNN 相當(dāng)。不過(guò)缺點(diǎn)是在預(yù)訓(xùn)練期間，對(duì)大數(shù)據(jù)機(jī)制的依賴(lài)性更強(qiáng)，因?yàn)?Transformer 沒(méi)有像 CNN 那樣定義明確的歸納先驗(yàn)。因此當(dāng)下出現(xiàn)了一個(gè)新趨勢(shì)：當(dāng) self-attention 與 CNN 結(jié)合時(shí)，它們會(huì)建立強(qiáng)大的基線( BoTNet )。

Vision Transformer(ViT)將純Transformer架構(gòu)直接應(yīng)用到一系列圖像塊上進(jìn)行分類(lèi)任務(wù)，可以取得優(yōu)異的結(jié)果。它在許多圖像分類(lèi)任務(wù)上也優(yōu)于最先進(jìn)的卷積網(wǎng)絡(luò)，同時(shí)所需的預(yù)訓(xùn)練計(jì)算資源大大減少。

DETR是第一個(gè)成功地將Transformer作為pipeline中的主要構(gòu)建塊的目標(biāo)檢測(cè)框架。它與以前的SOTA方法(高度優(yōu)化的Faster R-CNN)的性能匹配，具有更簡(jiǎn)單和更靈活的pipeline。

Transformer的變體模型是目前的研究熱點(diǎn)，主要分為以下幾個(gè)類(lèi)型：1)模型輕量化;2)加強(qiáng)跨模塊連接;3)自適應(yīng)的計(jì)算時(shí)間;4)引入分而治之的策略;4)循環(huán)Transformers;5)等級(jí)化的Transformer。

欺騙機(jī)器的眼睛

對(duì)抗性示例

最近引起研究界注意的一個(gè)問(wèn)題是這些系統(tǒng)對(duì)對(duì)抗樣本的敏感性。一個(gè)對(duì)抗性的例子是一個(gè)嘈雜的圖像，旨在欺騙系統(tǒng)做出錯(cuò)誤的預(yù)測(cè)。為了在現(xiàn)實(shí)世界中部署這些系統(tǒng)，它們必須能夠檢測(cè)到這些示例。為此，最近的工作探索了通過(guò)在訓(xùn)練過(guò)程中包含對(duì)抗性示例來(lái)使這些系統(tǒng)更強(qiáng)對(duì)抗性攻擊的可能性。

現(xiàn)階段對(duì)模型攻擊的分類(lèi)主要分為兩大類(lèi)，即攻擊訓(xùn)練階段和推理階段。

訓(xùn)練階段的攻擊

訓(xùn)練階段的攻擊(Training in Adversarial Settings)，主要的方法就是針對(duì)模型的參數(shù)進(jìn)行微小的擾動(dòng)，從而達(dá)到讓模型的性能和預(yù)期產(chǎn)生偏差的目的。例如直接通過(guò)對(duì)于訓(xùn)練數(shù)據(jù)的標(biāo)簽進(jìn)行替換，讓數(shù)據(jù)樣本和標(biāo)簽不對(duì)應(yīng)，從而最后訓(xùn)練的結(jié)果也一定與預(yù)期的產(chǎn)生差異，或者通過(guò)在線的方式獲得訓(xùn)練數(shù)據(jù)的輸入權(quán)，操縱惡意數(shù)據(jù)來(lái)對(duì)在線訓(xùn)練過(guò)程進(jìn)行擾動(dòng)，最后的結(jié)果就是產(chǎn)出脫離預(yù)期。

推理階段的攻擊

推理階段的攻擊(Inference in Adversarial Settings)，是當(dāng)一個(gè)模型被訓(xùn)練完成后，可以將該模型主觀的看作是一個(gè)盒子，如果該盒子對(duì)我們來(lái)說(shuō)是透明的則可以將其看成“白盒”模型，若非如此則看成“黑盒”模型。所謂的“白盒攻擊”，就是我們需要知道里面所有的模型參數(shù)，但這在實(shí)際操作中并不現(xiàn)實(shí)，卻有實(shí)現(xiàn)的可能，因此我們需要有這種前提假設(shè)。黑盒攻擊就比較符合現(xiàn)實(shí)生活中的場(chǎng)景：通過(guò)輸入和輸出猜測(cè)模型的內(nèi)部結(jié)構(gòu);加入稍大的擾動(dòng)來(lái)對(duì)模型進(jìn)行攻擊;構(gòu)建影子模型來(lái)進(jìn)行關(guān)系人攻擊;抽取模型訓(xùn)練的敏感數(shù)據(jù);模型逆向參數(shù)等等。

對(duì)抗攻擊的防御機(jī)制。抵御對(duì)抗樣本攻擊主要是基于附加信息引入輔助塊模型(AuxBlocks)進(jìn)行額外輸出來(lái)作為一種自集成的防御機(jī)制，尤其在針對(duì)攻擊者的黑盒攻擊和白盒攻擊時(shí)，該機(jī)制效果良好。除此之外防御性蒸餾也可以起到一定的防御能力，防御性蒸餾是一種將訓(xùn)練好的模型遷移到結(jié)構(gòu)更為簡(jiǎn)單的網(wǎng)絡(luò)中，從而達(dá)到防御對(duì)抗攻擊的效果。

對(duì)抗學(xué)習(xí)的應(yīng)用舉例，1、自動(dòng)駕駛；2、金融欺詐。

自動(dòng)駕駛是未來(lái)智能交通的發(fā)展方向，但在其安全性獲得完全檢驗(yàn)之前，人們還難以信任這種復(fù)雜的技術(shù)。雖然許多車(chē)企、科技公司已經(jīng)在這一領(lǐng)域進(jìn)行了許多實(shí)驗(yàn)，但對(duì)抗樣本技術(shù)對(duì)于自動(dòng)駕駛?cè)匀皇且粋€(gè)巨大的挑戰(zhàn)。幾個(gè)攻擊實(shí)例：對(duì)抗攻擊下的圖片中的行人在模型的面前隱身，對(duì)抗樣本使得模型“無(wú)視”路障；利用 AI 對(duì)抗樣本生成特定圖像并進(jìn)行干擾時(shí)，特斯拉的 Autopilot 系統(tǒng)輸出了「錯(cuò)誤」的識(shí)別結(jié)果，導(dǎo)致車(chē)輛雨刷啟動(dòng)；在道路的特定位置貼上若干個(gè)對(duì)抗樣本貼紙，可以讓處在自動(dòng)駕駛模式的汽車(chē)并入反向車(chē)道；在Autopilot 系統(tǒng)中，通過(guò)游戲手柄對(duì)車(chē)輛行駛方向進(jìn)行控制;對(duì)抗樣本使得行人對(duì)于機(jī)器學(xué)習(xí)模型“隱身”。

自學(xué)也能成才

自監(jiān)督學(xué)習(xí)

深度學(xué)習(xí)需要干凈的標(biāo)記數(shù)據(jù)，這對(duì)于許多應(yīng)用程序來(lái)說(shuō)很難獲得。注釋大量數(shù)據(jù)需要大量的人力勞動(dòng)，這是耗時(shí)且昂貴的。此外，數(shù)據(jù)分布在現(xiàn)實(shí)世界中一直在變化，這意味著模型必須不斷地根據(jù)不斷變化的數(shù)據(jù)進(jìn)行訓(xùn)練。自監(jiān)督方法通過(guò)使用大量原始未標(biāo)記數(shù)據(jù)來(lái)訓(xùn)練模型來(lái)解決其中的一些挑戰(zhàn)。在這種情況下，監(jiān)督是由數(shù)據(jù)本身(不是人工注釋)提供的，目標(biāo)是完成一個(gè)間接任務(wù)。間接任務(wù)通常是啟發(fā)式的(例如，旋轉(zhuǎn)預(yù)測(cè))，其中輸入和輸出都來(lái)自未標(biāo)記的數(shù)據(jù)。定義間接任務(wù)的目標(biāo)是使模型能夠?qū)W習(xí)相關(guān)特征，這些特征稍后可用于下游任務(wù)(通常有一些注釋可用)。

自監(jiān)督學(xué)習(xí)是一種數(shù)據(jù)高效的學(xué)習(xí)范式。監(jiān)督學(xué)習(xí)方法教會(huì)模型擅長(zhǎng)特定任務(wù)。另一方面，自監(jiān)督學(xué)習(xí)允許學(xué)習(xí)不專(zhuān)門(mén)用于解決特定任務(wù)的一般表示，而是為各種下游任務(wù)封裝更豐富的統(tǒng)計(jì)數(shù)據(jù)。在所有自監(jiān)督方法中，使用對(duì)比學(xué)習(xí)進(jìn)一步提高了提取特征的質(zhì)量。自監(jiān)督學(xué)習(xí)的數(shù)據(jù)效率特性使其有利于遷移學(xué)習(xí)應(yīng)用。

目前的自監(jiān)督學(xué)習(xí)領(lǐng)域可大致分為兩個(gè)分支。一個(gè)是用于解決特定任務(wù)的自監(jiān)督學(xué)習(xí)，例如上次討論的場(chǎng)景去遮擋，以及自監(jiān)督的深度估計(jì)、光流估計(jì)、圖像關(guān)聯(lián)點(diǎn)匹配等。另一個(gè)分支則用于表征學(xué)習(xí)。有監(jiān)督的表征學(xué)習(xí)，一個(gè)典型的例子是ImageNet分類(lèi)。而無(wú)監(jiān)督的表征學(xué)習(xí)中，最主要的方法則是自監(jiān)督學(xué)習(xí)。

自監(jiān)督學(xué)習(xí)方法依賴(lài)于數(shù)據(jù)的空間和語(yǔ)義結(jié)構(gòu)，對(duì)于圖像，空間結(jié)構(gòu)學(xué)習(xí)是極其重要的，因此在計(jì)算機(jī)視覺(jué)領(lǐng)域中的應(yīng)用廣泛。一種是將旋轉(zhuǎn)、拼接和著色在內(nèi)的不同技術(shù)被用作從圖像中學(xué)習(xí)表征的前置任務(wù)。對(duì)于著色，將灰度照片作為輸入并生成照片的彩色版本。另一種廣泛用于計(jì)算機(jī)視覺(jué)自監(jiān)督學(xué)習(xí)的方法是放置圖像塊。一個(gè)例子包括 Doersch 等人的論文。在這項(xiàng)工作中，提供了一個(gè)大型未標(biāo)記的圖像數(shù)據(jù)集，并從中提取了隨機(jī)的圖像塊對(duì)。在初始步驟之后，卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)第二個(gè)圖像塊相對(duì)于第一個(gè)圖像塊的位置。還有其他不同的方法用于自監(jiān)督學(xué)習(xí)，包括修復(fù)和判斷分類(lèi)錯(cuò)誤的圖像。

自2012年AlexNet問(wèn)世這十年來(lái)，機(jī)器視覺(jué)領(lǐng)域的技術(shù)可以說(shuō)是日新月異。機(jī)器視覺(jué)在諸多領(lǐng)域也逐漸接近甚至超越了我們?nèi)祟?lèi)的眼睛。隨著技術(shù)的不斷進(jìn)步，機(jī)器視覺(jué)技術(shù)也一定會(huì)變得更加的強(qiáng)大，無(wú)論是安全防護(hù)、自動(dòng)駕駛、缺陷檢測(cè)還是目標(biāo)識(shí)別等領(lǐng)域，相信機(jī)器視覺(jué)會(huì)帶給我們更多的驚喜。

審核編輯 ：李倩