AI科技評論按：9 月 26 日，機器人領域的頂級學術會議 IROS 2017 進入第二日。上午，著名華人計算機視覺專家、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者作了長達一小時的專題報告。

根據(jù)Guide2Research的排名，IROS是計算機視覺領域排名第四的學術會議，前三名分別為CVPR、ICCV、ECCV。計算機視覺在機器人的發(fā)展史中起著非常重要的作用，與之相關的“感知”也正是歷年IROS大會上的重要內(nèi)容，隨著機器人研究的發(fā)展和“越來越接近人類”這個目標的進一步深入，越來越多的學者更深刻認識到了計算機視覺對機器人整個行業(yè)發(fā)展的重要性。AI科技評論認為，隨著近幾年深度學習在計算機視覺領域的突破，計算機視覺在機器人領域的應用也將會迎來一個新的時期，這也是今年的IROS大會邀請李飛飛教授做大會報告的原因。

如李飛飛開場所言，這是她第一回參加IROS，但她希望和做機器人研究的朋友們進行交流，分享在她眼中計算機視覺對機器人意味著什么，并介紹她在ImageNet后，與其斯坦福研究團隊正在從事的其他研究項目，而這些項目對未來機器人的感知和認識我們所處的環(huán)境尤為重要。

“希望可以說服做機器人研究的朋友，（計算機）視覺是機器人的殺手級應用。”在演講前一天，李飛飛在Twitter上這么說。

由于篇幅限制，報告分為上下兩篇。在上半部分，李飛飛解釋了為什么計算機視覺會是機器人的殺手級應用，AI科技評論作了不改變愿意的刪減。

李飛飛在 IROS 2017

李飛飛：我會與大家分享最近在做的視覺工作，聊一聊計算機視覺與視覺智能領域的歷史背景。這些都是仍在進行中的研究，歡迎自由討論。

視覺究竟有多重要？

朋友建議我，在機器人大會演講至少要放一張機器人的圖片。我挑了一張最喜歡的：

問題來了：為什么在這幅兒童畫里，機器人是有眼睛的？

我認為這與進化演進有關。不管是智慧動物還是智能體，眼睛/視覺/視力都是最基本的東西（兒童在潛意識里也這么認為）。讓我們回到 5.4 億年前的寒武紀——在寒武紀生物大爆發(fā)之前，地球上的生物種類算不上多，全都生活在水里，被動獲取食物。但在距今約 5.4 億年的時候，非常奇怪的事情發(fā)生了（如下圖）：短短一千萬年的時間內(nèi)，各種各樣的新物種紛紛涌現(xiàn)，這便是“寒武紀大爆發(fā)”。

這背后的原因是什么？

最近，一名澳大利亞學者提出了一套非常有影響力的理論，把寒武紀大爆發(fā)歸功于——視覺。在寒武紀，最早的三葉蟲進化出了一套非常原始的視力系統(tǒng)，就像最原始的德科相機，能捕捉到一丁點光。但這改變了一切：能“看”之后，動物開始主動捕食。獵手和獵物之間從此開始了持續(xù)數(shù)億年的“追蹤—躲藏”游戲，行為越來越復雜。從這個節(jié)點往后，幾乎地球上所有動物都進化出了某種形式上的視覺系統(tǒng)。5.4 億年之后的今天，對于人類，眼睛已成為我們最重要的傳感器，超過一半的大腦都會參與視覺功能。

在地球生物向更高智慧水平進化的過程中，視覺真的是非常重要的推動力量。

這套如此神奇的感知系統(tǒng)，便是我今天想要講的主題。這也是我們對機器的追求——讓機器擁有人類這樣的視覺智能。

從人類到機器視覺

下面，我講一個小故事，關于人類視覺系統(tǒng)的令人驚嘆之處。

在 1960 年代的好萊塢，誕生了一個非常有里程碑意義的歷史電影《The Pawnbroker》（首部以幸存者角度表現(xiàn)二戰(zhàn)中猶太人大屠殺的美國電影） 。隨著這部電影誕生了一種全新的為電影插入視頻剪輯的技術，導演 Sidney Lumet 對此做了個很有意思的實驗——插入的畫面需要顯示多久才能讓觀眾抓住內(nèi)容。

他不斷縮短畫面播放的時間，從十幾秒到幾秒，最后到三分之一秒——他發(fā)現(xiàn)這是一個相當好的時長，足夠觀眾看清楚并且充分理解畫面。

心理學家和認識科學家們受此啟發(fā)，開展了更進一步的實驗：向參與者播放連續(xù)多幀畫面，每幀的顯示時間僅有  100 微秒。其中，僅有一幅畫面里有一個人，要求參與者找出這個人。

而大家確實都能夠找出來。這非常令人驚嘆，只需 100 微秒，我們的視覺系統(tǒng)就能檢測到從來沒見過的人。

1996 年，神經(jīng)心理學家 Simon J. Thorpe 在 《自然》發(fā)表了一項研究，通過腦電波觀察人腦對復雜圖像進行分類的速度。他發(fā)現(xiàn)，僅需 150 微秒，大腦就會發(fā)出一道區(qū)分信號，對畫面中的物體是否為動物做出判斷。

后來，哈佛人體視覺學者 Jeremy Wolfe 在論文中寫道，雖然很難去衡量一個人究竟看到了什么、對某個畫面達到了什么程度的理解，但直覺告訴我們，畫面中的物體應當是我們觀察的對象之一。

看起來很顯而易見，但這提醒我們，對物體的識別是視覺最基礎的部分之一，計算機視覺也在這個領域攻關了許多年。從 2010 到 2017，ImageNet 挑戰(zhàn)賽的目標識別（object recognition）錯誤率一直在下降。到 2015 年，錯誤率已經(jīng)達到甚至低于人類水平。

我不會說目標識別是個已經(jīng)攻克的領域。許多關鍵問題尚待研究，其中不少和機器人息息相關。比如 3D 輪廓理解，目標局部理解，對材料、紋理的理解等等。這些方面的研究非?；钴S，我也感覺到做這些比組織 ImageNet 分類任務挑戰(zhàn)賽更有意思。

后目標識別時代的計算機視覺

接下來，我想分享一些新的、探索性的工作，而不是列出識別對象清單（inventory list of objects）這樣的基礎研究。讓我們回到 Jeremy Wolfe 的論文，他繼續(xù)寫道：“物體之間的關系，必須寫進 gist。”

假設有兩張圖片：把一盒牛奶倒進玻璃杯；把一盒牛奶倒出來（倒在空中），旁邊放著一只玻璃杯。兩者不是一回事。兩張圖片中的物體都一樣，但它們之間的關系不同。

僅憑圖片的對象清單，無法完整傳遞其內(nèi)容。下面是另一個例子：

兩張照片都是人和羊駝，但是發(fā)生的事情完全不同。當然，過去在這方面也有不少研究，包括空間關系，行為關系，概率關系等等，就不一一闡述了。這些工作基本都在小型封閉環(huán)境中開發(fā)測試，探索的也不過十幾、二十幾種關系。而我們希望把視覺關系的研究推向更大的尺度。

我們的工作基于視覺表達和 leverage model 的結(jié)合，通過把圖像空間的 embedding 以及關于對象關系的自然語言描述以巧妙的方式結(jié)合起來，避免了在對象和對象之間的關系做乘法帶來的計算負擔。

上圖展示的便是可視化結(jié)果的質(zhì)量。給定該照片，我們的算法能找出空間關系、比較關系、不對稱空間關系、動詞關系、行為關系以及介詞關系。

更有意思的是，我們的算法能實現(xiàn) zero-shot （零樣本學習）對象關系識別。舉個例子，用一張某人坐在椅子上、消防栓在旁邊的圖片訓練算法。然后再拿出另一張圖片，一個人坐在消防栓上。雖然算法沒見過這張圖片，但能夠表達出這是“一個人坐在消防栓上”。

類似的，算法能識別出“一匹馬戴著帽子”，雖然訓練集里只有“人騎馬”以及“人戴著帽子”的圖片。當然，這個算法還很不完美。例如當兩個類似的對象（如兩個人）部分重疊在一起，算法就容易判斷失誤。如下圖，算法錯誤得認為是左邊的人在扔飛碟：

這是一個計算機視覺下面飛速發(fā)展的領域。在我們團隊的 ECCV 2016 論文之后，今年有一大堆相關論文發(fā)表了出來，一些甚至已經(jīng)接近了我們的模型效果。我非常欣喜能看到該領域繁榮起來。

（以上是李飛飛老師 IROS 2017 大會報告的上半部分，更多關于 Visual Genome Dataset 的介紹，敬請期待AI科技評論的后續(xù)報道）

—————  給愛學習的你的福利  —————