0
| 本文作者： 楊曉凡 | 2017-09-28 14:57 |
雷鋒網(wǎng) AI 科技評論按：9 月 26 日，機(jī)器人領(lǐng)域的頂級學(xué)術(shù)會議 IROS 2017 進(jìn)入第二日。上午，著名華人計(jì)算機(jī)視覺專家、斯坦福副教授李飛飛，在溫哥華會議中心面向全體與會專家學(xué)者作了長達(dá)一小時的專題報(bào)告。
在昨天發(fā)布的雷鋒網(wǎng)文章 上篇：「李飛飛：為什么計(jì)算機(jī)視覺對機(jī)器人如此重要？ | IROS 2017」中，李飛飛介紹了視覺對生物的重要性，以及計(jì)算機(jī)視覺在物體識別任務(wù)中的飛速發(fā)展。在下篇中，李飛飛繼續(xù)與大家討論了計(jì)算機(jī)視覺的下一步目標(biāo)：豐富場景理解，以及計(jì)算機(jī)視覺與語言結(jié)合和任務(wù)驅(qū)動的計(jì)算機(jī)視覺的進(jìn)展和前景。場景理解和與語言結(jié)合的計(jì)算機(jī)視覺進(jìn)一步搭起了人類和計(jì)算機(jī)之間溝通的橋梁，任務(wù)驅(qū)動的計(jì)算機(jī)視覺也會在機(jī)器人領(lǐng)域大放異彩。李飛飛介紹的自己團(tuán)隊(duì)的工作也豐富多樣、令人振奮。
（2015年，李飛飛也在同一個會場面向著大海和聽眾進(jìn)行過一次 TED 演講）
（續(xù)上篇）在物體識別問題已經(jīng)很大程度上解決以后，我們的下一個目標(biāo)是走出物體本身，關(guān)注更為廣泛的對象之間的關(guān)系、語言等等。
在Visual Genome數(shù)據(jù)集之后，我們做的另一項(xiàng)研究是重新認(rèn)識場景識別。
場景識別單獨(dú)來看是一項(xiàng)簡單的任務(wù)，在谷歌里搜索“穿西裝的男人”或者“可愛的小狗”，都能直接得到理想的結(jié)果。但是當(dāng)你搜索“穿西裝的男人抱著可愛的小狗”的時候，就得不到什么好結(jié)果。它的表現(xiàn)在這里就變得糟糕了，這種物體間的關(guān)系是一件很難處理的事情。
比如只關(guān)注了“長椅”和“人”的物體識別，就得不到“人坐在長椅上”的關(guān)系；即便訓(xùn)練網(wǎng)絡(luò)識別“坐著的人”，也無法保證看清全局。我們有個想法是，把物體之外、場景之內(nèi)的關(guān)系全都包含進(jìn)來，然后再想辦法提取精確的關(guān)系。
如果我們有一張場景圖（graph），其中包含了場景內(nèi)各種復(fù)雜的語義信息，那我們的場景識別就能做得好得多。其中的細(xì)節(jié)可能難以全部用一個長句子描述，但是把一個長句子變成一個場景圖之后，我們就可以用圖相關(guān)的方法把它和圖像做對比；場景圖也可以編碼為數(shù)據(jù)庫的一部分，從數(shù)據(jù)庫的角度進(jìn)行查詢。
我們已經(jīng)用場景圖匹配技術(shù)在包含了許多語義信息的場景里得到了許多不錯的量化結(jié)果，不過在座的各位可能邊聽就邊覺得，這些場景圖是誰來定義的呢？在Visual Genome數(shù)據(jù)集中，場景圖都是人工定義的，里面的實(shí)體、結(jié)構(gòu)、實(shí)體間的關(guān)系和到圖像的匹配都是我們?nèi)斯ね瓿傻?，過程挺痛苦的，我們也不希望以后還要對每一個場景都做這樣的工作。所以在這項(xiàng)工作之后，我們很可能會把注意力轉(zhuǎn)向自動場景圖生成。
比如這項(xiàng)我和我的學(xué)生們共同完成的CVPR2017論文就是一個自動生成場景圖的方案，對于一張輸入圖像，我們首先得到物體識別的備選結(jié)果，然后用圖推理算法得到實(shí)體和實(shí)體之間的關(guān)系等等；這個過程都是自動完成的。
這里涉及到了一些迭代信息傳遞算法，我先不詳細(xì)解釋了。但這個結(jié)果體現(xiàn)出的是，我們的模型的工作方式和人的做法已經(jīng)有不少相似之處了。
得到這樣的結(jié)果我們非常開心，這代表著一組全新的可能性來到了我們面前。借助場景圖，我們可以做信息提取、可以做關(guān)系預(yù)測、可以理解對應(yīng)關(guān)系等等。
當(dāng)然了論文發(fā)表前我們也做了好看的數(shù)據(jù)出來。
我們相信Visual Genome數(shù)據(jù)集也能夠幫助很多的研究人員在研究關(guān)系和信息提取的算法和模型實(shí)驗(yàn)中施展拳腳。
剛才說過了物體識別、關(guān)系預(yù)測這兩項(xiàng)場景理解難題之后，Jeremy 提到的最后一件事情就是，“場景中的gist的根本是三維空間中在物體間和物體表面上以一定形式擴(kuò)散、重復(fù)出現(xiàn)的視覺元素”。不過由于我關(guān)注的并不是三維場景理解，我就只是簡單介紹一下斯坦福的同事們近期的研究成果。
左側(cè)是從單張圖片推測三維場景的布局，展現(xiàn)出其中物體的三維幾何特征；右側(cè)是空間三維結(jié)構(gòu)的語意分割。除了斯坦福的這兩項(xiàng)之外，三維場景理解還有很多的研究成果，包括使用圖片的和點(diǎn)云的。我也覺得很興奮，將來也不斷地會有新東西來到我們面前，尤其是在機(jī)器人領(lǐng)域會非常有用。
這樣，我們就基本覆蓋全了場景的gist，就是看到場景的前150毫秒中發(fā)生的事情。視覺智慧的研究當(dāng)然并不會局限于這150毫秒，之后要考慮的、我們也在期待的還有兩項(xiàng)任務(wù)。
我的研究興趣里，除了計(jì)算機(jī)科學(xué)和人工智能之外，認(rèn)知神經(jīng)科學(xué)也占了相當(dāng)?shù)奈恢?。所以我想回過頭去看看我在加州理工學(xué)院讀博士的時候做的一個實(shí)驗(yàn)，我們就讓人們觀察一張照片，然后讓他們盡可能地說出自己在照片中看到的東西。當(dāng)時做實(shí)驗(yàn)的時候，我們在受試者面前的屏幕上快速閃過一張照片，然后用一個別的圖像、墻紙一樣的圖像蓋住它，它的作用是把他們視網(wǎng)膜暫留的信息清除掉。
接下來我們就讓他們盡可能多地寫下自己看到的東西。從結(jié)果上看，有的照片好像比較容易，但是其實(shí)只是因?yàn)槲覀冞x擇了不同長短的展示時間，最短的照片只顯示了27毫秒，這已經(jīng)達(dá)到了當(dāng)時顯示器的顯示速度上限；有些照片顯示了0.5秒的時間，對人類視覺理解來說可算是綽綽有余了。
我們得到的結(jié)果大概是這樣的，對于這張照片，時間很短的時候看清的內(nèi)容也很有限，500毫秒的時候他們就能寫下很長一段。進(jìn)化給了我們這樣的能力，只看到一張圖片就可以講出一個很長的故事。
我展示這個實(shí)驗(yàn)想說的是，在過去的3年里，CV領(lǐng)域的研究人員們就在研究如何把圖像中的信息變成故事。
他們首先研究了圖像說明，比如借助CNN把圖像中的內(nèi)容表示到特征空間，然后用LSTM這樣的RNN生成一系列文字。這類工作在2015年左右有很多成果，從此之后我們就可以讓計(jì)算機(jī)給幾乎任何東西配上一個句子。
比如這兩個例子，“一位穿著橙色馬甲的工人正在鋪路”和“穿著藍(lán)色襯衫的男人正在彈吉他”。這讓我想起來，2015年的時候我就是在這同一個房間里做過演講。兩年過去了，我們的算法也已經(jīng)不是最先進(jìn)的了，不過那時候我們的研究確實(shí)是是圖像說明這個領(lǐng)域的開拓性工作之一。
我們沿著這個方向繼續(xù)做研究，迎來的下一個成果是稠密說明，就是在一幅圖片中有很多個區(qū)域都會分配注意力，這樣我們有可以有很多個不同的句子描述不同的區(qū)域，而不僅僅是用一個句子描述整個場景。在這里就用到了CNN模型和邏輯區(qū)域檢測模型的結(jié)合，再加上一個語言模型，這樣我們就可以對場景做稠密的標(biāo)注。
比如這張圖里就可以生成，“有兩個人坐在椅子上”、“有一頭大象”、“有一棵樹”等等；另一張我的學(xué)生們的室內(nèi)照片也標(biāo)出了豐富的內(nèi)容。
我們的稠密標(biāo)注系統(tǒng)也比當(dāng)時其它基于滑動窗口的方法表現(xiàn)好得多。
在最近的CVPR2017的研究中，我們讓表現(xiàn)邁上了一個新的臺階，不只是簡單的說明句子，還要生成文字段落，把它們以具有空間意義的方式連接起來。
這樣我們就可以寫出“一只長頸鹿站在樹邊，在它的右邊有一個有葉子的桿子，在籬笆的后面有一個黑色和白色的磚壘起來的建筑”，等等。雖然里面有錯誤，而且也遠(yuǎn)比不上莎士比亞的作品，但我們已經(jīng)邁出了視覺和語言結(jié)合的第一步。
而且，視覺和語言的結(jié)合并沒有停留在靜止的圖像上，剛才的只是我們的最新成果之一。在另外的研究中，我們把視頻和語言結(jié)合起來，比如這個CVPR2017的研究，我們可以對一個說明性視頻中不同的部分做聯(lián)合推理、整理出文本結(jié)構(gòu)。這里的難點(diǎn)是解析文本中的實(shí)體，比如第一步是“攪拌蔬菜”，然后“拿出混合物”。如果算法能夠解析出“混合物”指的是前一步里混合的蔬菜，那就棒極了。我的學(xué)生和博士后們也都覺得這是讓機(jī)器人進(jìn)行學(xué)習(xí)的很重要的一步。
這里的機(jī)會仍然是把視覺問題和語言結(jié)合起來，如果只用視覺的方法，就會造成視覺上的模糊性；如果只用語言學(xué)的方法，就會造成語言上的模糊性；把視覺和語言結(jié)合起來，我們就可以解決這些問題。
太細(xì)節(jié)的還是不說了，我們主要用了圖優(yōu)化的方法在實(shí)體嵌入上解決這些模糊性。我們的結(jié)果表明，除了解決模糊性之外，我們還能對視頻中的內(nèi)容作出更廣泛完善的推理。
在語言之后，我想說的最后一個方向是任務(wù)驅(qū)動的視覺問題，它和機(jī)器人的聯(lián)系也更緊密一些。對整個AI研究大家庭來說，任務(wù)驅(qū)動的AI是一個共同的長期夢想，從一開始人類就希望用語言給機(jī)器人下達(dá)指定，然后機(jī)器人用視覺方法觀察世界、理解并完成任務(wù)。
比如人類說：“藍(lán)色的金字塔很好。我喜歡不是紅色的立方體，但是我也不喜歡任何一個墊著5面體的東西。那我喜歡那個灰色的盒子嗎？” 那么機(jī)器，或者機(jī)器人，或者智能體就會回答：“不，因?yàn)樗鼔|著一個5面體”。它就是任務(wù)驅(qū)動的，對這個復(fù)雜的世界做理解和推理。
最近，我們和Facebook合作重新研究這類問題，創(chuàng)造了帶有各種幾何體的場景，然后給人工智能提問，看它會如何理解、推理、解決這些問題。這其中會涉及到屬性的辨別、計(jì)數(shù)、對比、空間關(guān)系等等。
我們在這方面的第一篇論文用了CNN+LSTM+注意力模型，結(jié)果算不上差，人類能達(dá)到超過90%的正確率，機(jī)器雖然能做到接近70%了，但是仍然有巨大的差距。有這個差距就是因?yàn)槿祟惸軌蚪M合推理，機(jī)器則做不到。
在一個月后的ICCV我們就會介紹新一篇論文中的成果，我們把一個問題分解成帶有功能的程序段，然后在程序段基礎(chǔ)上訓(xùn)練一個能回答問題的執(zhí)行引擎。這個方案在嘗試推理真實(shí)世界問題的時候就具有高得多的組合能力。
模型的實(shí)際表現(xiàn)當(dāng)然不錯，所以論文被ICCV接收了。比如這個例子里，我們提問某種顏色的東西是什么形狀的，它就會回答“是一個立方體”這樣，表明了它的推理是正確的。它還可以數(shù)出東西的數(shù)目。這都體現(xiàn)出了算法可以對場景做推理。
我們也在嘗試環(huán)境仿真，我們用三維渲染引擎建立執(zhí)行任務(wù)的環(huán)境，讓學(xué)習(xí)策略的機(jī)器人在其中學(xué)習(xí)動作，比如把籃球放進(jìn)微波爐，也需要它把這個任務(wù)分解成許多步驟然后執(zhí)行。
我們采用了一種深度語意表征，然后用不同難度的任務(wù)測試它，中等難度的任務(wù)可以是從廚房里多個不同的地方拿取多個不同的物體，然后把它們放在指定的地方；難的任務(wù)可以是需要策略讓它尋找之前從來沒有見過的新物體。
視覺相關(guān)的任務(wù)說了這么多，我想把它們組織成這三類。
首先是除了物體識別之外的關(guān)系識別、復(fù)雜語意表征、場景圖；
在場景gist之外，我們需要用視覺+語言處理單句標(biāo)注、段落生成、視頻理解、聯(lián)合推理；
最后是任務(wù)驅(qū)動的視覺問題，這里還是一個剛剛起步的領(lǐng)域，我相信視覺和邏輯的組合會在這個領(lǐng)域真正攜起手來。
人類視覺已經(jīng)發(fā)展了很久，計(jì)算機(jī)視覺雖然在出現(xiàn)后的60年里有了長足的進(jìn)步，但也仍然只是一門新興學(xué)科。我以前應(yīng)該有提過我邊工作邊帶孩子，這也就是一張我女兒二十個月大時候的照片。
看著她一天天成長的過程，真的讓我覺得還有許許多多的東西等著我們?nèi)パ芯?。視覺能力也是她的日常生活里重要的一部分，讀書、畫畫、觀察情感等等，這些重大的進(jìn)步都是這個領(lǐng)域未來的研究目標(biāo)。
謝謝大家！
（完）
雷鋒網(wǎng) AI 科技評論報(bào)道。
相關(guān)文章：
李飛飛：為什么計(jì)算機(jī)視覺對機(jī)器人如此重要？ | IROS 2017
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
