本文為 AI 研習(xí)社編譯的技術(shù)博客，原標(biāo)題 ：

Learning computer vision

作者 | Romain Beaumont

翻譯 | 黃偉聰、chesc

校對(duì) | 醬番梨        整理 | 菠蘿妹

原文鏈接：

https://towardsdatascience.com/learning-computer-vision-41398ad9941f

最近，我已經(jīng)閱讀了很多與計(jì)算機(jī)視覺(jué)相關(guān)的資料并做了大量實(shí)驗(yàn)，這里介紹了在該領(lǐng)域?qū)W習(xí)和使用過(guò)程中有意思的內(nèi)容。

自動(dòng)駕駛的圖像分割

近年來(lái)，計(jì)算機(jī)視覺(jué)取得了很大進(jìn)展。這些是我將在這里提到的主題：

技術(shù)：

應(yīng)用：

關(guān)注的人：

課程：

相關(guān)領(lǐng)域：

人臉檢測(cè)是在臉部周圍標(biāo)記方框

人臉檢測(cè)是檢測(cè)臉部的任務(wù)。有好幾種算法可以做到這一點(diǎn)。

https://github.com/nodefluxio/face-detector-benchmark 提供了這些方法在速度上的基準(zhǔn)，并且易于重用實(shí)現(xiàn)代碼。

Haar分類器

這些是自2000年以來(lái)在opencv中出現(xiàn)的舊的計(jì)算機(jī)視覺(jué)方法。在這篇論文：http://wearables.cc.gatech.edu/paper_of_week/viola01rapid.pdf 中做了介紹。

這是一種機(jī)器學(xué)習(xí)模型，專門用于目標(biāo)檢測(cè)的特征提取。Haar分類器速度快但準(zhǔn)確度低。

請(qǐng)參閱：https://docs.opencv.org/3.4.3/d7/d8b/tutorial_py_face_detection.html 中有關(guān)于如何使用它的更詳細(xì)解釋和示例。

HOG：方向梯度直方圖

HOG是一種用于目標(biāo)檢測(cè)的提取特征的新方法：它自2005年開始使用。該方法基于計(jì)算圖像像素的梯度。然后將這些特征饋送到機(jī)器學(xué)習(xí)算法，例如SVM。這種方法具有比Haar分類器更好的精度。

這種方法的實(shí)現(xiàn)在dlib中，就是在face_recognition ( https://github.com/ageitgey/face_recognition ) lib中。

MTCNN

一種使用CNNs的變量來(lái)檢測(cè)圖像的新方法。精度更高但速度稍慢。請(qǐng)參閱：https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html

MobileNet

目前用于人臉檢測(cè)的最好和最快的方法，基于通用的mobile net架構(gòu)。請(qǐng)參閱：https://arxiv.org/abs/1704.04861

目標(biāo)檢測(cè)可以使用與人臉檢測(cè)類似的方法來(lái)實(shí)現(xiàn)

這里有2篇文章介紹了實(shí)現(xiàn)它的最新方法。這些方法有時(shí)甚至也提供了目標(biāo)的類別（實(shí)現(xiàn)目標(biāo)識(shí)別）：

最近深度學(xué)習(xí)的迅速發(fā)展，可以看到許多新架構(gòu)取得了很大成功。
使用許多卷積層的神經(jīng)網(wǎng)絡(luò)就是其中之一。一個(gè)卷積層利用圖像的2D結(jié)構(gòu)在神經(jīng)網(wǎng)絡(luò)的下一層中生成有用信息。
有關(guān)什么是卷積的詳細(xì)說(shuō)明，請(qǐng)參閱： https://towardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f42faee1

目標(biāo)識(shí)別是將物體分類為特定類別（如貓，狗，......）的一般性問(wèn)題。

基于卷積的深度神經(jīng)網(wǎng)絡(luò)在目標(biāo)識(shí)別任務(wù)上取得了很好的效果。
ILSVR會(huì)議一直在ImageNet（http://www.image-net.org/ 一個(gè)有許多圖片的數(shù)據(jù)集，包括貓，狗等物品標(biāo)簽）上舉辦競(jìng)賽。

越成功的神經(jīng)網(wǎng)絡(luò)使用的層數(shù)會(huì)越來(lái)越多。

ResNet架構(gòu)是迄今為止對(duì)目標(biāo)進(jìn)行分類的最好網(wǎng)絡(luò)架構(gòu)。

要正確地訓(xùn)練ResNet，需要使用數(shù)百萬(wàn)張圖像，并且即使使用數(shù)十個(gè)昂貴的GPU，也需要花費(fèi)大量時(shí)間。

為了避免每次都要在這些大數(shù)據(jù)集上進(jìn)行重新訓(xùn)練，找到一些其他代替方法是十分重要的，而遷移學(xué)習(xí)和嵌入embeddings就是這樣的方法。

有關(guān)resnet的預(yù)訓(xùn)練模型，請(qǐng)?jiān)L問(wèn)： https://github.com/tensorflow/tensor2tensor#image-classification

人臉識(shí)別就是要弄清楚誰(shuí)是一張臉。

歷史方法

解決該任務(wù)的歷史方法是將特征工程應(yīng)用于標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)（例如svm），或把深度學(xué)習(xí)方法應(yīng)用于目標(biāo)識(shí)別。

這些方法的問(wèn)題是它們需要每個(gè)人的大量數(shù)據(jù)。實(shí)際上，數(shù)據(jù)并不總是可以得到的。

Facenet

谷歌研究人員在2015年推出了Facenet https://arxiv.org/abs/1503.03832.它提出了一種識(shí)別人臉的方法，而不需要為每個(gè)人提供大量的人臉樣本。

這種方法是通過(guò)拍攝大量臉部的圖片數(shù)據(jù)集（例如 http://vis-www.cs.umass.edu/lfw/ ）來(lái)有效工作的。

然后采用現(xiàn)有的計(jì)算機(jī)視覺(jué)架構(gòu)，例如inception（或resnet），再用計(jì)算臉部的嵌入層替換目標(biāo)識(shí)別神經(jīng)網(wǎng)絡(luò)的最后一層。

對(duì)于數(shù)據(jù)集中的每個(gè)人，（使用啟發(fā)式方法）選擇三張臉（負(fù)樣本，正樣本，第二正樣本）并將其饋送到神經(jīng)網(wǎng)絡(luò)。這產(chǎn)生了3個(gè)嵌入embeddings。利用這3個(gè)嵌入，計(jì)算triplet loss，這使得正樣本與任何其他正樣本之間的距離最小化，并且最大化位置樣本與任何其他負(fù)樣本之間的距離。

最終結(jié)果是每張臉（即使在原始訓(xùn)練集中不存在的臉）現(xiàn)在也可以表示為一個(gè)嵌入embedding（128維的向量），該嵌入與其他人的臉部嵌入有很大距離。

然后，這些嵌入可以與任何機(jī)器學(xué)習(xí)模型（甚至簡(jiǎn)單的諸如knn）一起使用來(lái)識(shí)別人。

關(guān)于facenet和face embeddings非常有趣的事情就是使用它你可以識(shí)別只有幾張照片或者只有一張照片的人。

請(qǐng)參閱實(shí)現(xiàn)它的lib： https://github.com/ageitgey/face_recognition

這是它的一個(gè)tensorflow實(shí)現(xiàn)： https://github.com/davidsandberg/facenet

這是人臉識(shí)別流程背后的思想的一個(gè)很酷的應(yīng)用，就是識(shí)別熊臉：https://hypraptive.github.io/2017/01/21/facenet-for-bears.html

在自定義數(shù)據(jù)集上快速重新訓(xùn)練準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)

訓(xùn)練非常深的神經(jīng)網(wǎng)絡(luò)（如resnet）是非常耗費(fèi)資源的，并且還需要大量的數(shù)據(jù)。

計(jì)算機(jī)視覺(jué)是高度計(jì)算密集型的（在多個(gè)gpu上進(jìn)行數(shù)周的訓(xùn)練）并且需要大量數(shù)據(jù)。為了解決這個(gè)問(wèn)題，我們已經(jīng)討論過(guò)為人臉計(jì)算出通用的嵌入embeddings。另一種方法是采用現(xiàn)有網(wǎng)絡(luò)并在其他數(shù)據(jù)集上重新訓(xùn)練，訓(xùn)練時(shí)僅僅訓(xùn)練其中的幾層。

這是一個(gè)教程： codelab tutorial 。它建議你重新訓(xùn)練一個(gè)初始模型，從而去訓(xùn)練未知的花類。

在進(jìn)行遷移學(xué)習(xí)時(shí)，該選擇哪一層來(lái)重新訓(xùn)練，以下地址提供了很好的指導(dǎo)：https://medium.com/@14prakash/transfer-learning-using-keras-d804b2e04ef8

用于自動(dòng)駕駛的圖像分割

近年來(lái)，圖像分割可能是一項(xiàng)令人印象深刻的新任務(wù)。它包括識(shí)別圖像的每個(gè)像素。

該任務(wù)與目標(biāo)檢測(cè)有關(guān)。實(shí)現(xiàn)它的其中一種算法是mask r-cnn，有關(guān)詳細(xì)信息，請(qǐng)參閱此文章： https://medium.com/@jonathan_hui/image-segmentation-with-mask-r-cnn-ebe6d793272 

生成式對(duì)抗網(wǎng)絡(luò)，是由ian goodfellow提出，這個(gè)網(wǎng)絡(luò)架構(gòu)分為2部分：判別器和生成器。

• 判別器檢測(cè)一張圖片是否屬于某個(gè)類別，它通常是在目標(biāo)分類數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。
  

• 生成器為給定的類別生成一張圖像。

在學(xué)習(xí)期間調(diào)整生成器的權(quán)重，目標(biāo)是使生成的圖像與該類的真實(shí)圖像盡可能相似，以至于判別器無(wú)法區(qū)分出來(lái)。

以下是最大的GAN（https://arxiv.org/abs/1809.11096）生成的圖像示例。

關(guān)于GAN在keras上的實(shí)現(xiàn)，請(qǐng)參閱： https://github.com/eriklindernoren/Keras-GAN

要訓(xùn)練大型模型，需要用到大量資源。實(shí)現(xiàn)這一目標(biāo)有兩種方法。首先是使用云服務(wù)，比如google cloud或者aws。第二種方法是自己組裝一臺(tái)帶有GPU的計(jì)算機(jī)。

只需1000美元，就可以組裝一臺(tái)相當(dāng)好的機(jī)器來(lái)訓(xùn)練深度學(xué)習(xí)模型。

更多細(xì)節(jié)請(qǐng)參閱： https://hypraptive.github.io/2017/02/13/dl-computer-build.html

ownphotos的face儀表盤

Ownphotos 是一個(gè)令人驚嘆的用戶界面，允許您導(dǎo)入照片并自動(dòng)計(jì)算臉部嵌入，進(jìn)行目標(biāo)識(shí)別和人臉識(shí)別。

它用到的算法：

計(jì)算機(jī)視覺(jué)有很多應(yīng)用：

正如我們這里所見，上述視覺(jué)領(lǐng)域各方面的實(shí)現(xiàn)中誕生了許多新的有趣的方法和應(yīng)用。

我認(rèn)為人工智能最有趣的，在各領(lǐng)域尤其在視覺(jué)領(lǐng)域中，是學(xué)習(xí)可再使用的算法。讓這些方法適用于處理越來(lái)越多的任務(wù)而不需要更多算力資源和數(shù)據(jù) :

想要繼續(xù)查看該篇文章相關(guān)鏈接和參考文獻(xiàn)？

長(zhǎng)按鏈接點(diǎn)擊打開或點(diǎn)擊底部【一文帶你讀懂計(jì)算機(jī)視覺(jué)】：

https://ai.yanxishe.com/page/TextTranslation/1286

AI研習(xí)社每日更新精彩內(nèi)容，觀看更多精彩內(nèi)容：雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

從語(yǔ)言學(xué)角度看詞嵌入模型

深度網(wǎng)絡(luò)揭秘之深度網(wǎng)絡(luò)背后的數(shù)學(xué)

如何將深度學(xué)習(xí)應(yīng)用于無(wú)人機(jī)圖像的目標(biāo)檢測(cè)

Python高級(jí)技巧：用一行代碼減少一半內(nèi)存占用

等你來(lái)譯：

五個(gè)很厲害的 CNN 架構(gòu) 

用Pytorch做深度學(xué)習(xí)（第一部分）

讓你的電腦擁有“視力”，用卷積神經(jīng)網(wǎng)絡(luò)就可以！

讓神經(jīng)網(wǎng)絡(luò)說(shuō)“我不知道”——用Pyro/PyTorch實(shí)現(xiàn)貝葉斯神經(jīng)網(wǎng)絡(luò)