計(jì)算機(jī)視覺的主要目的是什么

作者丨周縱葦@知乎

導(dǎo)讀

視覺的目的是什么？設(shè)計(jì)匹配亦或是分類。作者從“視覺的目的”引發(fā)討論，簡(jiǎn)要回顧計(jì)算機(jī)視覺在通用視覺特征學(xué)習(xí)的發(fā)展歷程，以及近期在這個(gè)領(lǐng)域取得的眾多突破，最后對(duì)自監(jiān)督學(xué)習(xí)框架提出一些作者自己的想法。

摘要：視覺，對(duì)于人類或動(dòng)物來說，似乎是一件稀松平常的事情，我們甚至都不需要去有意識(shí)地訓(xùn)練自己，就可以天賦一般地認(rèn)識(shí)世界。對(duì)于機(jī)器而言，理解圖片卻是一項(xiàng)極其困難的任務(wù)，計(jì)算機(jī)視覺是一門教機(jī)器如何“看”的科學(xué)。當(dāng)給定一個(gè)明確的目標(biāo)函數(shù)并加以不斷地迭代，當(dāng)前的計(jì)算機(jī)已經(jīng)可以完成很多復(fù)雜的任務(wù)，比如圖像視頻分類，目標(biāo)跟蹤和檢測(cè)，實(shí)例分割，關(guān)鍵點(diǎn)檢測(cè)等。完成單一的復(fù)雜任務(wù)雖然能夠清晰地定義目標(biāo)函數(shù)，但是訓(xùn)練成本高，數(shù)據(jù)收集困難，并且復(fù)雜任務(wù)的數(shù)量不勝枚舉，尤其是對(duì)于跨學(xué)科的圖像理解任務(wù)。人類的視覺恰恰相反：通過長(zhǎng)時(shí)間的觀察學(xué)習(xí)，只需很少的監(jiān)督樣本就可以快速達(dá)到多個(gè)領(lǐng)域的專家水平。要給這種長(zhǎng)期的，無監(jiān)督的學(xué)習(xí)定義一個(gè)清晰的目標(biāo)函數(shù)或目標(biāo)任務(wù)，卻是一項(xiàng)非常具有挑戰(zhàn)的課題，也是計(jì)算機(jī)視覺一直在探索的問題。這次分享，我將會(huì)從“視覺的目的”引發(fā)討論，簡(jiǎn)要回顧計(jì)算機(jī)視覺在通用視覺特征學(xué)習(xí)的發(fā)展歷程，以及近期在這個(gè)領(lǐng)域取得的眾多突破，最后對(duì)自監(jiān)督學(xué)習(xí)框架提出一些我自己的想法。

為什么問“視覺的目的是什么？”

大家好，我是周縱葦，現(xiàn)在是亞利桑那州立大學(xué)的博士生，再過幾個(gè)月我就畢業(yè)了，今天很高興在這里和大家聊一聊計(jì)算機(jī)視覺。視覺不是人類特有的，大多數(shù)的動(dòng)物，或者更寬泛地來說，攝像頭，都有所謂視覺，來收集光線，并做出某些反應(yīng)。比如現(xiàn)在我沒有真的坐在大家的面前，但是你們可以通過攝像頭看到我?，F(xiàn)在的攝像頭變得越來越聰明了，它不光能檢測(cè)到物體，還能跟蹤，能識(shí)別人臉，能給我實(shí)時(shí)地做美顏，這還不算什么，現(xiàn)在的攝像頭還能輔助自動(dòng)駕駛，自動(dòng)手術(shù)等等。真的和我們的視覺越來越像了。問題是，既然攝像頭這么智能，如果用它來替換動(dòng)物的眼睛，能好使嗎？小貓小狗的視覺系統(tǒng)可能還遠(yuǎn)遠(yuǎn)做不到像現(xiàn)在的攝像頭一樣，把圖片中的大大小小的東西都識(shí)別出來，打上標(biāo)簽，甚至把邊緣都分割得那么好，它們的視覺系統(tǒng)看起來笨笨的，但是很穩(wěn)定，很可靠。攝像頭背后的秘密就是我們今天討論的計(jì)算機(jī)視覺，它的最終目標(biāo)就是能讓計(jì)算機(jī)像人一樣地看見，理解照片，視頻，和周圍的環(huán)境，并且能作出某些反應(yīng)。

我們先來看看為什么現(xiàn)在的計(jì)算機(jī)視覺在某些任務(wù)中這么厲害——比如人臉識(shí)別——因?yàn)樗康拿鞔_。在訓(xùn)練計(jì)算機(jī)的時(shí)候，我們就告訴它，你把這個(gè)事兒做了，其他不用管，跟我們小時(shí)候差不多，你把學(xué)習(xí)弄好了，其他大大小小的家務(wù)不用你管。那這個(gè)事情就簡(jiǎn)單了，我們需要做的就是把目標(biāo)函數(shù)設(shè)計(jì)好，計(jì)算機(jī)的任務(wù)就是不停地學(xué)，不停地迭代，直到無限靠近這個(gè)目標(biāo)。用這一套方法論，你會(huì)發(fā)現(xiàn)計(jì)算機(jī)視覺很簡(jiǎn)單嘛，很多任務(wù)，只要我們能清晰地設(shè)計(jì)出目標(biāo)函數(shù)，并且能收集到大量的數(shù)據(jù)集，計(jì)算機(jī)視覺非常容易在某個(gè)任務(wù)中超越人眼。我說到這兒，不知道大家有沒有在想一個(gè)問題？如果說計(jì)算機(jī)視覺的終極目標(biāo)是讓計(jì)算機(jī)擁有像人類或者動(dòng)物一樣看上去笨笨的但是可靠的視覺理解系統(tǒng)，那我就請(qǐng)問，

視覺的目的是什么？或者視覺的目標(biāo)函數(shù)是什么？

What is the Will of Vision?

“視覺的目的是設(shè)計(jì)和匹配特征？“

這個(gè)問題很有意思，基本上貫穿了整個(gè)計(jì)算機(jī)視覺的研究脈絡(luò)。在我還沒生出來的時(shí)候，計(jì)算機(jī)視覺是以規(guī)則為主的，對(duì)于所有的概念，我們都需要很詳細(xì)地去設(shè)計(jì)它的特征。比如要讓計(jì)算機(jī)了解貓，最簡(jiǎn)單的特征就是它的臉，形狀，四肢，尾巴等等，為了和狗做區(qū)分，我們還要設(shè)計(jì)那些顯著的特征。有了這些特征，計(jì)算機(jī)就去匹配，能匹配上的就是貓?，F(xiàn)在回過來看，你會(huì)發(fā)現(xiàn)這種方法特沒譜，首先，就算計(jì)算機(jī)認(rèn)出了這只貓，這算不上理解，只是對(duì)一些規(guī)則的數(shù)學(xué)匹配；其次，普遍的規(guī)則很難用在復(fù)雜的現(xiàn)實(shí)情況中，這只貓必須站的非常端正，計(jì)算機(jī)才能把它認(rèn)出來；再有，定義一個(gè)概念是非常不容易的，何況有那么多概念要定義。那時(shí)候的計(jì)算機(jī)視覺，目的就是特征的計(jì)算和匹配——無論是人為設(shè)計(jì)的還是用公式算出來的特征，只要匹配上了，計(jì)算機(jī)就算認(rèn)出了這個(gè)東西。它的弊端雖然不言而喻，但為了解決它還是費(fèi)了很多時(shí)間的。

“視覺的目的是大規(guī)模分類？“

后來是怎么解決這個(gè)問題的呢？我們就得回頭分析人的視覺系統(tǒng)了，在我們認(rèn)識(shí)世界的時(shí)候，沒有人給設(shè)計(jì)特征，完全是靠大量地長(zhǎng)時(shí)間地看，不知不覺地就形成了視覺理解?！安恢挥X”這個(gè)事情很玄，沒法在工程上實(shí)現(xiàn)，那么我們就退一步，給計(jì)算機(jī)看很多很多的圖片，并且告訴它里面有什么，通過這個(gè)方法來形成計(jì)算機(jī)視覺。最有名的就是ImageNet，這個(gè)圖片數(shù)據(jù)集，里面包含了很多人工標(biāo)注的概念，比如貓，狗。它和之前方法不同的是，從此我們不再需要人為地設(shè)計(jì)特征了，而是讓計(jì)算機(jī)自己從大量的圖片和標(biāo)簽配對(duì)中學(xué)習(xí)這么多概念和它們對(duì)應(yīng)的視覺特征。

用這個(gè)方法學(xué)習(xí)的計(jì)算機(jī)視覺很強(qiáng)，怎么看出來的呢？是在眾多的benchmark任務(wù)中體現(xiàn)出來的。我們稱這些模型為ImageNet預(yù)訓(xùn)練模型。計(jì)算機(jī)視覺，在這個(gè)任務(wù)中的目的也很明確，就是準(zhǔn)確分類，讓計(jì)算機(jī)的識(shí)別和人類標(biāo)注越接近越好。是不是順著這個(gè)思路，我們可以訓(xùn)練出一個(gè)至少像動(dòng)物一樣可靠的視覺系統(tǒng)呢？如果答案是的話，問題就簡(jiǎn)單多了，擴(kuò)充ImageNet數(shù)據(jù)集，增加類別數(shù)，增加圖片量，增強(qiáng)模型設(shè)計(jì)。雖然有人說這樣很費(fèi)時(shí)間也很費(fèi)錢，但是如果這個(gè)思路真的可行，能用錢解決的問題都不是大問題?？墒俏覀兿胍幌耄祟惢蛘邉?dòng)物的視覺是這么形成的嗎？或者說

分類是視覺的目的嗎？

再回到我們小時(shí)候，我們的視覺系統(tǒng)是否是這樣形成的？當(dāng)我們看東西的時(shí)候，有沒有一個(gè)人在邊上一直告訴我們：這是貓，那是狗，這個(gè)桌子，那是椅子。如果這個(gè)不夠直接，那不妨考慮一下動(dòng)物，家里的寵物狗是否需要區(qū)分這些概念才能建立起它們的視覺系統(tǒng)？在大量的例子中我們可以發(fā)現(xiàn)，概念的分類可能是一個(gè)有效的途徑，但并不是建立視覺系統(tǒng)的必要條件。進(jìn)一步講，基于人類語言的標(biāo)簽不是視覺系統(tǒng)的必要條件，換句話說，不需要“分類”，只需要“分辨”，也就是說，是貓是狗是桌子是椅子沒所謂的，重要的是把這些概念區(qū)分開即可。

這里展開來闡述一下“分類”和“分辨”的差異。它們貌似差不多，但在我們今天聊的“視覺的目的”上有本質(zhì)的區(qū)別。

首先，在分類問題中，所有類是完全獨(dú)立的，或者說在空間中是兩兩正交的。但是實(shí)際情況下卻并非如此，比如類別貓和老虎，貓和椅子，在分類問題的設(shè)定下，它們類之間的差異是一樣的，但很顯然，貓和老虎的類間差異比貓和椅子低很多。這就出來兩個(gè)問題：我們?nèi)绾稳?biāo)注這樣一個(gè)數(shù)據(jù)集，如何去訓(xùn)練一個(gè)模型才能夠讓它知道類之間的不同？

第二點(diǎn)，人工標(biāo)注的數(shù)據(jù)集中類之間是很平衡的，貓和狗的數(shù)量一樣多，但是現(xiàn)實(shí)情況下，類別是長(zhǎng)尾分布的，也就是大多數(shù)類的圖片是很稀有的，這里的問題是如何解決大多數(shù)類的長(zhǎng)尾標(biāo)注問題？

最后一點(diǎn)，也是最關(guān)鍵的一點(diǎn)是，類別這個(gè)事情，本身就是不勝枚舉的。世界上有多少正交的類，類中還有子類，子類還有子子類，子子孫孫無窮盡也。同樣是狗，狗中還有特別多的子類，如何去定義類和子類，以及如何去定義“有用的”類。比如，ImageNet里面大多是動(dòng)物，那么植物呢，其他的物件，或者說背景信息，比如天空，大海，星辰呢？

目前來說，訓(xùn)練完一個(gè)計(jì)算機(jī)模型，它能做的分類只能是數(shù)據(jù)集里面有的類而已，如果測(cè)試集中出來新的類，它是完全不知道的。那么如果說分類真的是視覺的目的，為了去真正地實(shí)現(xiàn)像人和動(dòng)物這樣的視覺系統(tǒng)，其中最大的難點(diǎn)就是去定義和標(biāo)注這些類。不知道你是否認(rèn)同，定義類本身這個(gè)工作，和定義特征的工作沒有本質(zhì)的區(qū)別。它們的目標(biāo)都是讓模型能更好的理解圖片，但是定義類和定義特征這兩個(gè)工作都是無窮盡的，并且有很多人為主觀的干預(yù)，比如什么樣的特征能刻畫一個(gè)概念，什么樣的類能幫助建立可靠的視覺系統(tǒng)。但是，話說回來，你是否認(rèn)同分類是視覺的目的這個(gè)假設(shè)？

也許不見得吧，再回想我們小時(shí)候，監(jiān)督學(xué)習(xí)，或者類別學(xué)習(xí)占的畢竟少數(shù)，特別是對(duì)動(dòng)物而言，它們很少很少會(huì)出現(xiàn)監(jiān)督學(xué)習(xí)這個(gè)情況。大多數(shù)情況下，視覺系統(tǒng)的建立是無監(jiān)督的，靠我們自己和環(huán)境之間的互動(dòng)，來理解圖片和視頻。這個(gè)簡(jiǎn)單的想法就促成了無監(jiān)督或者自監(jiān)督的視覺學(xué)習(xí)方法。其實(shí)這方面的研究開始的挺早的，為什么一直都沒有像現(xiàn)在這么火呢？關(guān)鍵還是當(dāng)時(shí)的實(shí)驗(yàn)結(jié)果沒有像全監(jiān)督的分類學(xué)習(xí)那么好，雖然它蠻符合我們對(duì)視覺的期望，實(shí)驗(yàn)結(jié)果還是硬道理。不過就這幾年，自監(jiān)督學(xué)習(xí)發(fā)展地特別快，某些方法已經(jīng)在實(shí)驗(yàn)中被驗(yàn)證比有監(jiān)督的分類學(xué)習(xí)要好。這又是我們?cè)诹私庖曈X系統(tǒng)中邁出的很大的一步。那么我們就來聊一聊自監(jiān)督學(xué)習(xí)是如何回答“視覺的目的是什么”這個(gè)問題的。

我們所有的系統(tǒng)，視覺，聽覺，觸覺，嗅覺都是自我迭代學(xué)習(xí)的，很多時(shí)候它們?cè)趯W(xué)習(xí)而我們是不自知的。有人會(huì)問自監(jiān)督學(xué)習(xí)是不是就是給一堆數(shù)據(jù)，讓計(jì)算機(jī)自己實(shí)現(xiàn)智能？不是的，一個(gè)很簡(jiǎn)單的例子，我給一條狗看MNIST數(shù)據(jù)集，不停地看，不停地看，很多很多的數(shù)字，它會(huì)建立起對(duì)數(shù)字的認(rèn)知嗎？我再換一個(gè)方法，還是讓它不停地看，但是每次看到數(shù)字9的時(shí)候，給吃的。第二個(gè)方法狗的視覺系統(tǒng)會(huì)產(chǎn)生學(xué)習(xí)，但是第一個(gè)不會(huì)。也就是說，視覺系統(tǒng)，或其他系統(tǒng)的學(xué)習(xí)是天生惰性的，雖然說我們的視覺系統(tǒng)感覺上是自發(fā)學(xué)習(xí)的，如果沒有明確的動(dòng)機(jī)，它是不會(huì)在腦回路中真的產(chǎn)生變化的，那也就回到了我們一直在討論的問題，視覺的目的是什么？如果我們了解了它的動(dòng)機(jī)，那么實(shí)現(xiàn)通用的計(jì)算機(jī)視覺算法就沒有那么困難了?，F(xiàn)在那么多的自監(jiān)督學(xué)習(xí)方法，其實(shí)本質(zhì)上都在探索這個(gè)問題的答案。

我們可以先猜一猜，視覺的目的是什么？科學(xué)研究就是先提出假設(shè)，然后驗(yàn)證這個(gè)假設(shè)。那好，生物最基本的動(dòng)機(jī)就是活著，為了活著，視覺必須學(xué)會(huì)一個(gè)很重要的功能，那就是

預(yù)判

試想一直老虎向你跑過來了，你不會(huì)等它到了才跑吧，視覺系統(tǒng)需要做準(zhǔn)確的預(yù)判并且馬上采取行動(dòng)。對(duì)于那些不能做預(yù)判的，可能就被自然淘汰了。另一個(gè)不那么極端的例子，你看到蘋果從樹上掉下來，應(yīng)該會(huì)躲吧，這也是一種預(yù)判。往大里說是你的視覺系統(tǒng)學(xué)習(xí)到了牛頓定理，其實(shí)就是它學(xué)習(xí)到了重力的表現(xiàn)形式。很多很多生活上的例子表明，視覺系統(tǒng)需要學(xué)習(xí)預(yù)判的能力。那么預(yù)判在自監(jiān)督學(xué)習(xí)上體現(xiàn)在哪兒呢？其實(shí)有很多，最基本的就是auto-encoder，還有去噪聲的auto-encoder，in-painting，out-painting，在視頻處理中應(yīng)用的更多，根據(jù)當(dāng)前幀來預(yù)測(cè)下一幀的圖片。這些方法在實(shí)驗(yàn)中被證明是非常有效的，并且不需要人工的標(biāo)注，因?yàn)閳D片和視頻本身就是最好的標(biāo)注。

但是這一系列的預(yù)判方法在某些時(shí)候可能會(huì)不太好用。比如，我隨機(jī)遮住一只貓腦袋的一部分，讓計(jì)算機(jī)去腦補(bǔ)，如果它知道這只貓，就會(huì)補(bǔ)全它的腦袋，這沒有問題。但是，如果我遮住那只貓的尾巴，計(jì)算機(jī)去腦補(bǔ)的時(shí)候就會(huì)出問題，因?yàn)榫退阄抑肋@只貓需要補(bǔ)一條尾巴，但是我不知道那尾巴原來是朝哪兒的。再看原圖，它只是提供了某一種可能性，但并不唯一的可能性。發(fā)現(xiàn)問題了嗎？這一系統(tǒng)方法被人詬病的最重要的一個(gè)點(diǎn)就是，預(yù)判是一個(gè)概率的問題，不能用原圖的每一個(gè)像素來做嚴(yán)格訓(xùn)練，特別是需要預(yù)判的內(nèi)容特別多的時(shí)候，會(huì)出現(xiàn)問題。Yann Lecun有一個(gè)非常經(jīng)典的例子，視頻中一只鉛筆筆尖朝下豎直放著，預(yù)測(cè)下一時(shí)間，我們都知道鉛筆會(huì)因?yàn)橹亓Φ瓜拢蔷唧w往哪個(gè)放下倒是一個(gè)隨機(jī)的問題，并不能用原數(shù)據(jù)來監(jiān)督學(xué)習(xí)。最近有論文就對(duì)這個(gè)問題做了詳細(xì)的詮釋和提出了解決方案，大家有機(jī)會(huì)可以去看一看：

https://openai.com/blog/image-gpt/

好，我們?cè)傧胂脒€有什么是視覺系統(tǒng)需要自發(fā)學(xué)習(xí)的。剛剛說了一只老虎朝你跑過來，你需要預(yù)判并且躲避，那么如果一只小貓跑過來呢？注意這里需要學(xué)習(xí)的是

分辨（而不是分類）

最簡(jiǎn)單的動(dòng)機(jī)，還是為了生存，我們需要區(qū)分能吃的和不能吃的，往大里說，我們需要區(qū)分不同物體的差異，并不是分出來貓和狗的類別差異就可以了，更需要分出來不同的貓之間的差異，大小胖瘦，毛色等等，從這個(gè)角度講，每一只貓個(gè)體都是不一樣的，并且，即便是一只貓，在早中晚也是不一樣的。這就和剛剛說的以分類為核心，類與類之間正交的學(xué)習(xí)方法完全不同了，廣義上說，我們需要承認(rèn)世界上沒有兩片一樣的雪花，即便給的標(biāo)簽是一摸一樣的，（0，1，0，0），計(jì)算機(jī)也需要看出物與物之間的不同。這個(gè)思路引出了最近火的不行的對(duì)比學(xué)習(xí)。和預(yù)判不同的是，這一系列的方法不需要“腦補(bǔ)”，而是能在對(duì)比中發(fā)現(xiàn)不同即可。很有代表性的工作包括聚類，旋轉(zhuǎn)，和最近的SimCLR，MoCo等。特別一提的是，就是這種方法最近被發(fā)現(xiàn)比ImageNet上的分類學(xué)習(xí)更有效。SimCLR和MoCo假設(shè)是世界上沒有兩片一樣的雪花，我們?cè)谶@個(gè)基礎(chǔ)上又加了一個(gè)假設(shè)，也就是我們承認(rèn)沒有兩片一樣的雪花，但是雪花和雪花之間的差異還是會(huì)比雪花和樹葉之間的差異更大。

這個(gè)很重要，對(duì)比學(xué)習(xí)，除了對(duì)比出不同點(diǎn)，也應(yīng)該同時(shí)發(fā)現(xiàn)相似處。這就是我們?nèi)ツ暝贛ICCAI Workshop中發(fā)表的一篇工作。大家有興趣的也可以看一看。

Parts2Whole: Self-supervised Contrastive Learning via Reconstructionlink.springer.com

https://link.springer.com/chapter/10.1007/978-3-030-60548-3_9

這也引出了一個(gè)更深層的討論，不同概念的內(nèi)涵（connotation）和外延（denotation）：內(nèi)涵是一個(gè)概念中事物的共有屬性，外延是一切屬于這個(gè)概念的具體事物。分類問題事先給定了一個(gè)概念的外延的一部分，比如在所有ImageNet數(shù)據(jù)集中，“貓”這個(gè)概念的外延就是它對(duì)應(yīng)的那幾張圖片，模型根據(jù)這個(gè)外延，來學(xué)習(xí)“貓”這個(gè)概念中圖片的共有屬性（內(nèi)涵）。分辨則不同，它是不斷地放縮一個(gè)概念的外延，來辨別兩幅圖片的相似點(diǎn)和差異性，即便是兩幅“貓”，當(dāng)外延只縮到每一幅圖本身了，模型在承認(rèn)這兩幅圖都有貓的同時(shí)，還需要辨別出兩只貓細(xì)微的差異的，比如顏色，動(dòng)作，長(zhǎng)相，年齡。對(duì)比學(xué)習(xí)在縮放不同概念的內(nèi)涵和外延之間，學(xué)習(xí)到更立體，更豐滿的視覺特征。

前沿成果的比較

談到這里，我們離學(xué)術(shù)前沿是越來越近了?；仡櫼幌挛覀兊降紫胍粋€(gè)什么東西？我們需要一個(gè)通用的，可靠的，可延展的視覺模型，這個(gè)模型不是去做博士干的事情，比如分割一個(gè)細(xì)胞，區(qū)分一個(gè)腫瘤是惡性還是良性的，從圖片中找病灶等等，這些工作都是后話，有足夠標(biāo)簽就能做好，我們需要的是一個(gè)五歲小朋友的視覺系統(tǒng)，一種雖然看上去傻乎乎的什么都不會(huì)，但是很穩(wěn)定，很全面的一個(gè)模型。很多人在詬病深度學(xué)習(xí)說需要很多的標(biāo)簽，而人只需要學(xué)習(xí)一兩個(gè)樣本中就掌握一項(xiàng)任務(wù)。這個(gè)認(rèn)識(shí)是有偏見的，人確實(shí)可以通過學(xué)習(xí)一兩個(gè)樣本就能大概分清什么是肋骨，什么是心臟，但是這個(gè)人想必不是剛出生的嬰兒，嬰兒視覺系統(tǒng)是沒有辦法短時(shí)間內(nèi)完成這個(gè)one-shot或者few-shot的任務(wù)的。而這個(gè)五歲左右的視覺系統(tǒng)，就是我們追求的視覺模型。這個(gè)模型，是有機(jī)會(huì)讓無數(shù)的下游任務(wù)實(shí)現(xiàn)少樣本學(xué)習(xí)。這相當(dāng)于是一件“磨刀不誤砍柴工”的工作。在眾多的下游任務(wù)中，我們只需要極少的模型參數(shù)量的調(diào)整，極少的人工標(biāo)注，就可以達(dá)到一個(gè)不錯(cuò)的水平。

我們離這個(gè)夢(mèng)想是有距離的?，F(xiàn)在我們就來看看自監(jiān)督學(xué)習(xí)離真正回答“視覺的目的是什么”還差多少?，F(xiàn)在每天都有那么多自監(jiān)督學(xué)習(xí)的方案發(fā)表，可以說是公說公有理，婆說婆有理，大家都從不同的角度去思考如何訓(xùn)練一個(gè)通用的視覺模型，所以給模型設(shè)定的目標(biāo)也是非常不一樣的。有說腦補(bǔ)可以的，有預(yù)測(cè)旋轉(zhuǎn)角度的，有做拼圖游戲的，有比較學(xué)習(xí)的。一時(shí)間出現(xiàn)這么多套訓(xùn)練方案百家爭(zhēng)鳴，正常嗎？非常正常。想想我們?cè)诮⒁曈X基礎(chǔ)的時(shí)候也不就是自己摸索出自己的一套方法嗎？打個(gè)比方，如果說一個(gè)厲害的視覺預(yù)訓(xùn)練模型是高考狀元，高考每年有那么多的狀元，他們成功背后的方法也是不一樣的嘛。每一個(gè)方法都可以發(fā)表一篇論文，每個(gè)家長(zhǎng)都說自己的一套方法是訓(xùn)練狀元的有效途徑。但是，真的要去評(píng)價(jià)孰好孰壞是不容易的，確實(shí)可能某些自監(jiān)督方法在特定的情況下會(huì)很強(qiáng)，它的通用性是需要在很多具體任務(wù)來評(píng)判。最新的一篇論文

How Well Do Self-Supervised Models Transfer?

https://arxiv.org/pdf/2011.13377.pdf

就有對(duì)大部分自監(jiān)督學(xué)習(xí)方法做一個(gè)比較，得到的結(jié)果參差不齊，有時(shí)候這個(gè)方法好，有時(shí)候那個(gè)方法好。這方面的研究論文一般來說有兩種，一種是提出新的自監(jiān)督學(xué)習(xí)方法，說新提出的方法比其他的方法好。隨著越來越多的方案的提出，另一種文章是對(duì)這么多方法的一個(gè)綜述和比較。除了這兩種論文，現(xiàn)在又有一種論文的題目特別有趣兒，形如：

Do Better ... Transfer Better?

這里的省略號(hào)代表不同的預(yù)訓(xùn)練方法。你可能會(huì)覺得很奇怪，人家論文都說了，比如預(yù)測(cè)旋轉(zhuǎn)角度可以讓模型更好地遷移學(xué)習(xí)，為什么還有問這個(gè)問題呢？其實(shí)這兩個(gè)論述不太一樣，一個(gè)是實(shí)然層面的，我做了實(shí)驗(yàn)，結(jié)果表明預(yù)測(cè)旋轉(zhuǎn)角度可以提高遷移學(xué)習(xí)的效果，另一個(gè)是應(yīng)然層面的，意思是說預(yù)測(cè)旋轉(zhuǎn)角度是不是視覺的目的，也就說如果我提升了預(yù)測(cè)旋轉(zhuǎn)的能力，是否保證這個(gè)預(yù)訓(xùn)練模型一定會(huì)更好？這是一個(gè)很有意思的問題，我們可以從實(shí)驗(yàn)中總結(jié)出來一個(gè)自監(jiān)督學(xué)習(xí)的方法，比如預(yù)測(cè)旋轉(zhuǎn)角，是不是直接地學(xué)習(xí)了視覺特征，還是在預(yù)測(cè)角度的同時(shí)間接地學(xué)到了視覺特征。還是高考狀元為例，我寫一篇論文說根據(jù)我的統(tǒng)計(jì)結(jié)果，發(fā)現(xiàn)高考狀元的家境普遍比較貧寒。我再寫一篇論文，問是不是家境越貧寒，高考成績(jī)?cè)胶媚兀窟@就是這一類論文的價(jià)值所在，它簡(jiǎn)直就是靈魂拷問，它從本質(zhì)上去測(cè)試一個(gè)自監(jiān)督學(xué)習(xí)方法是不是學(xué)習(xí)到了視覺的目的。大家能明白我接下來要講什么嗎？如果這個(gè)類的論文“Do Better ... Transfer Better?”，但凡有一篇的回答是Yes，那真的是，學(xué)習(xí)通用視覺特征這個(gè)問題就大體解決了，或者變成了一個(gè)可解的問題了。為什么呢？打個(gè)比方，我發(fā)現(xiàn)腦補(bǔ)圖片的技能越強(qiáng)，模型的遷移學(xué)習(xí)能力越強(qiáng)。視覺的目的一下子被清晰的定義下來了，也就說訓(xùn)練模型的目標(biāo)函數(shù)被定義下來了。我們把一個(gè)模糊的，抽象的所謂“視覺的目的”，轉(zhuǎn)化成了一個(gè)具體的，可量化的函數(shù)，接下來的任務(wù)就是刷高分?jǐn)?shù)，像ImageNet競(jìng)賽一樣，有一個(gè)清晰的評(píng)價(jià)指標(biāo)，然后每年把分?jǐn)?shù)往上刷。

現(xiàn)在我們沒有辦法這么直接地解決問題，還在一個(gè)探索期，視覺的目的是什么？剛剛總結(jié)了兩大塊主流任務(wù)，預(yù)判與分辨。計(jì)算機(jī)科學(xué)為什么是一門科學(xué)，是因?yàn)樵诮鉀Q工程問題的時(shí)候，我們需要做底層的分析和研究，也需要多學(xué)科的交流，比如視覺和腦科學(xué)的研究會(huì)對(duì)解決這個(gè)預(yù)訓(xùn)練的問題很有幫助。那我們來看看這一路走來學(xué)到了什么。從一開始的定義特征，到后來自動(dòng)學(xué)習(xí)特征（但是需要定義好類別和類別數(shù)），到現(xiàn)在完全不需要人工的類別標(biāo)簽，一個(gè)趨勢(shì)就是，當(dāng)學(xué)習(xí)通用的視覺模型時(shí)，人為定義的東西越少越好，讓計(jì)算機(jī)自主學(xué)習(xí)的東西越多越好。沿著這個(gè)思路下去，和我們的視覺系統(tǒng)相比，這些自監(jiān)督學(xué)習(xí)的方法，至少到目前為止，我認(rèn)為還有幾個(gè)方面需要解決：

首先，視角是人為設(shè)計(jì)的。

其次，模型是人為設(shè)計(jì)的。

最后，任務(wù)是人為設(shè)計(jì)的。

這三個(gè)方向的研究都非常有意思，今天我沒辦法一一細(xì)說，我會(huì)在后續(xù)的博客中討論。這邊我展開來討論一下最后一條，任務(wù)是人為設(shè)計(jì)的。首先我覺得在現(xiàn)在的階段，人為設(shè)計(jì)預(yù)訓(xùn)練的任務(wù)是可以被接受的，畢竟我們?nèi)祟惿险n學(xué)習(xí)的時(shí)候也有一個(gè)培養(yǎng)計(jì)劃，讓計(jì)算機(jī)自己給自己設(shè)計(jì)一套學(xué)習(xí)方案，我現(xiàn)在還不敢想。那就看看如何去設(shè)計(jì)任務(wù)，讓計(jì)算機(jī)可以學(xué)到通用的視覺特征？回溯到自監(jiān)督學(xué)習(xí)一開始的時(shí)候，它是先在自然語言處理領(lǐng)域得到突破，為什么自然語言可以做自監(jiān)督呢？原因是（1）語言可以切成詞匯，（2）詞匯的排列是有意義的。計(jì)算機(jī)從網(wǎng)上的那么多語料中學(xué)習(xí)，一個(gè)很重要的點(diǎn)是你不能把語料中的詞匯打亂，打亂了就沒有語義了。比如

視 · 覺 · 的 · 目 · 的 · 是 · 什 · 么

一共八個(gè)字組成，是一段有意義的話，但是，這八個(gè)字有很多中排列組合的形式，絕大多數(shù)的排列是沒有語義特征的，而計(jì)算機(jī)就只在這種有意義的排列中學(xué)習(xí)特征，所以是有效的。反觀自然圖片，貓的圖片可謂說是千奇百怪什么都有，像自然語言那樣的理想情況是什么？最好所有的貓都端端正正地給我坐好，一個(gè)姿勢(shì)，一種表情，然后計(jì)算機(jī)去學(xué)習(xí)它的紋理，形狀，或其他的抽象特征。在這種嚴(yán)格的規(guī)定下，我清楚地知道什么在上，什么在下，什么在左，什么在右，就像自然語言一樣人為地創(chuàng)造了一種特定的語法。計(jì)算機(jī)就可以比較直接地學(xué)習(xí)到圖片的上下文語義特征。請(qǐng)問這一段對(duì)理想圖片的描述讓你想到了什么？

醫(yī)學(xué)影像

首先在拍影像的時(shí)候，醫(yī)生是不會(huì)讓你有天馬行空的姿勢(shì)的，基本上兩種姿勢(shì)，要不站著，要不躺著。其次，如果姿勢(shì)是固定的，人體的組織器官的分布也是有序的，五臟六腑都有固定的位置。所以最后拍出來的圖片都看起來差不多，就像一個(gè)句子，你反復(fù)地用不同的詞匯說，但是表達(dá)的內(nèi)容相似。

視覺的目的是什么？視覺的動(dòng)機(jī)是什么？視覺的目標(biāo)是什么？

醫(yī)學(xué)影像這個(gè)獨(dú)特的優(yōu)勢(shì)和自然語言非常的類似。所以我有理由相信在醫(yī)學(xué)影像處理中的自監(jiān)督學(xué)習(xí)也可以得到像BERT一樣很猛的預(yù)訓(xùn)練模型，而不依賴于人工標(biāo)簽。那如何去利用這個(gè)天然的優(yōu)勢(shì)呢？我們還需要參考自然語言處理，它們是先定義了詞的概念，然后根據(jù)大量的語料學(xué)習(xí)每個(gè)詞的特征，或者每個(gè)詞在句子中的特征。相似地，我們也可以給醫(yī)學(xué)影像定義視覺詞匯，因?yàn)閯偛耪f了，這些視覺詞匯在醫(yī)學(xué)影像中是有序的，并且傳達(dá)出人體組織結(jié)構(gòu)的語義信息，那么一個(gè)簡(jiǎn)單的思路就是去學(xué)這些視覺詞匯的特征。在計(jì)算機(jī)視覺早期的時(shí)候就有Bag of Visual Word的概念，我們最近的一篇TMI就是讓這些視覺詞匯通過深度網(wǎng)絡(luò)的學(xué)習(xí)，使之具備遷移學(xué)習(xí)的能力。大家有機(jī)會(huì)可以去看看，應(yīng)該馬上就能見刊了，下面這篇是它的會(huì)議版本：

Learning Semantics-enriched Representation via Self-discovery, Self-classification, and Self-restoration

https://arxiv.org/abs/2007.06959

我們來看看這個(gè)方法背后想要傳達(dá)的信息和整體框架的基本假設(shè)。梳理一下剛剛的邏輯：

自然語言處理的預(yù)訓(xùn)練特別猛，而且不依靠人工標(biāo)注，因?yàn)檎Z料中自帶了上下文語義特征

醫(yī)學(xué)影像也具備相似的屬性，因?yàn)榕恼帐堑淖藙?shì)固定的，人體內(nèi)部的組織結(jié)構(gòu)是有序的

因此，我們只需要定義醫(yī)學(xué)影像中的視覺詞匯，并學(xué)習(xí)它的上下文語義特征即可

可能這個(gè)時(shí)候有小伙伴會(huì)質(zhì)疑，你說的這個(gè)特征確實(shí)在醫(yī)學(xué)影像中表現(xiàn)地非常明顯，但自然圖像難道不具備這個(gè)特征嗎？沒錯(cuò)，自然圖片也可以有這個(gè)特征，比如說人臉識(shí)別，只要能把人臉從圖片中框出來，并加上一定的旋轉(zhuǎn)，也可以得到一個(gè)具有固定上下文語義特征的數(shù)據(jù)集， 也就是一個(gè)近似對(duì)齊的數(shù)據(jù)集，計(jì)算機(jī)同樣可以通過自監(jiān)督的視覺詞匯學(xué)習(xí)，從圖像中學(xué)到特征。只是構(gòu)建這種數(shù)據(jù)集需要一定的工作，不像醫(yī)學(xué)影像（比如ChestXray）那樣是自帶的屬性。

再往上想一層，其實(shí)自然圖片是包含了弱弱的上下文語義的。剛剛說的語義特征是來自于有序的詞匯排列，如果打亂了，語義就沒了。從這個(gè)邏輯出發(fā)，嚴(yán)格意義上講，所有能被理解的自然圖片都是有一定意義的，真的打亂圖片中的像素才能說它是一堆亂碼。一張圖中這么多像素，它們能根據(jù)一定的規(guī)則拼成有意義的圖片，本身就是一種語義信息。

只是沒有像醫(yī)學(xué)影像那么直接，看起來那么有規(guī)則?？偨Y(jié)來講，醫(yī)學(xué)影像本身具有很好的屬性，讓我們可以有針對(duì)性地設(shè)計(jì)自監(jiān)督學(xué)習(xí)的策略，原因是它比自然圖片更有規(guī)則，總結(jié)來說，人體組織結(jié)構(gòu)的一致性是自監(jiān)督學(xué)習(xí)在醫(yī)學(xué)影像處理中一個(gè)很獨(dú)特也是很直接的學(xué)習(xí)目的。除了這個(gè)特性，醫(yī)學(xué)影像和自然圖片相比，還有很多寶藏可以挖，比如影像的像素值有物理意義，大多數(shù)影像是三維的等等，這些特性都是設(shè)計(jì)預(yù)訓(xùn)練算法的非常寶貴的參考，我今天就不細(xì)說了，因?yàn)楹芏嘞敕ǘ歼€沒有發(fā)表，等以后和大家分享。

最后，上一個(gè)價(jià)值：計(jì)算機(jī)視覺在學(xué)習(xí)通用特征時(shí)，需要大量參考人類或者動(dòng)物的視覺系統(tǒng)，也就是一種跨學(xué)科的概念。當(dāng)然也不是說必須我們要用電腦模擬一個(gè)一摸一樣的視覺系統(tǒng)，很多工具在借鑒生物學(xué)的同時(shí)也會(huì)根據(jù)工程的實(shí)際需要進(jìn)行調(diào)整。比如飛機(jī)借鑒了鳥的翅膀，但是最后的成品是在這個(gè)鳥的基礎(chǔ)上優(yōu)化了很多，甚至改進(jìn)地面目全非。這是在了解了鳥類飛行的機(jī)理的前提下，我們才有可能進(jìn)行仿真和優(yōu)化。其實(shí)這方面是有爭(zhēng)論的，我們會(huì)因?yàn)槟X科學(xué)的研究對(duì)大腦有一個(gè)完整的認(rèn)識(shí)，還是會(huì)先在計(jì)算機(jī)科學(xué)上有一個(gè)突破，從而反推回大腦的機(jī)理，建立起更深的認(rèn)識(shí)，這個(gè)我不清楚。但是今天討論“視覺的目的”是想給計(jì)算機(jī)找出一個(gè)可量化的目標(biāo)函數(shù)，這個(gè)目標(biāo)函數(shù)可以和通用視覺特征有一個(gè)很緊密的關(guān)聯(lián)，而做到Better ... Better Transfer。這個(gè)目的從一開始計(jì)算和匹配人為設(shè)計(jì)的特征，到后來匹配人為定義的類別的監(jiān)督學(xué)習(xí)，再到現(xiàn)在的預(yù)判，分辨為核心的自監(jiān)督學(xué)習(xí)。除了從視覺本身出發(fā)去設(shè)計(jì)不同的預(yù)訓(xùn)練任務(wù)，探索視覺的目的，我們也可以通過對(duì)圖片本身性質(zhì)的理解出發(fā)來設(shè)計(jì)任務(wù)，也就是所謂先驗(yàn)的特征，特別是醫(yī)學(xué)影像中那么多的模態(tài)，各有千秋，各有各的語義特征。

編輯：黃飛