如今，深度學習在眾多領域都有一席之地，尤其是在計算機視覺領域。盡管許多人都為之深深著迷，然而，深網(wǎng)就相當于一個黑盒子，我們大多數(shù)人，甚至是該領域接受過培訓的科學家，都不知道它們究竟是如何運作的。

某種程度上，深度學習最大的優(yōu)勢就是自動創(chuàng)建沒有人會想到的特性能力。

大量有關深度學習的成功或失敗事例給我們上了寶貴的一課，教會我們正確處理數(shù)據(jù)。在這篇文章中，我們將深入剖析深度學習的潛力，深度學習與經(jīng)典計算機視覺的關系，以及深度學習用于關鍵應用程序的潛在危險。

視覺問題的簡單與復雜

首先，我們需要就視覺/計算機視覺問題提出一些看法。原則上它可以這樣理解，人們給定一幅由攝像機拍攝的圖像，并允許計算機回答關于與該圖像內(nèi)容的相關問題。

問題的范圍可以從“圖像中是否存在三角形”，“圖像中是否有人臉”等簡單問題到更為復雜的問題，例如“圖像中是否有狗在追逐貓”。盡管這類的問題看起來很相似，對于人類來說甚至有點微不足道，但事實證明，這些問題所隱藏的復雜性存在巨大差異。

雖然回答諸如“圖像中是否有紅圈”或“圖像中有多少亮點”之類的問題相對容易，但其他看似簡單的問題如“圖像中是否有一只貓”，則要復雜得多。“簡單”視覺問題和“復雜”視覺問題之間的區(qū)別難以界限。

這一點值得注意，因為對于人類這種高度視覺化的動物來說，上述所有問題都是不足以成為難題，即便是對孩子們來說，回答上述視覺問題也并不困難。然而，處在變革時期的深度學習卻無法回答這些問題。

傳統(tǒng)計算機視覺V.S.深度學習

傳統(tǒng)計算機視覺是廣泛算法的集合，允許計算機從圖像中提取信息（通常表示為像素值數(shù)組）。目前，傳統(tǒng)計算機視覺已有多種用途，例如對不同的對象進行去噪，增強和檢測。

一些用途旨在尋找簡單的幾何原語，如邊緣檢測，形態(tài)分析，霍夫變換，斑點檢測，角點檢測，各種圖像閾值化技術等。還有一些特征代表技術，如方向梯度直方圖可以作為機器學習分類器的前端，來構建更復雜的檢測器。

與普遍的看法相反，上面討論的工具結合在一起可以造出針對特定對象的檢測器，這種檢測器性能強，效率高。除此之外，人們還可以構建面部檢測器，汽車檢測器，路標檢測器，在精準度和計算復雜性等方面，這些檢測器很可能優(yōu)于深度學習。

但問題是，每個檢測器都需要由有能力的人從頭開始構建，這一行為低效又昂貴。因此，從歷史上看，表現(xiàn)優(yōu)良的探測器只適用于那些必須經(jīng)常被檢測，并且能夠證明前期投資是明智的對象。

這些探測器中有許多是專有的，不向公眾開放，比如人臉檢測器，車牌識別器等等。但是，沒有一個心智正常的人會花錢編寫狗探測器或分類器，以便從圖像中對狗的品種進行分類。于是，深度學習就派上了用場。

尖子生的啟迪

假設你正在教授計算機視覺課程，在課程的前半部分，你要帶領學生們復習大量的專業(yè)知識，然后留時間給學生完成任務，也就是收集圖像內(nèi)容并提問。任務一開始很簡單，例如通過詢問圖像中是否有圓形或正方形，再到更復雜的任務，例如區(qū)分貓和狗。

學生每周都要編寫計算機程序來完成任務，而你負責查看學生編寫的代碼，并運行查看它們的效果如何。

這個學期，一名新生加入了你的班級。他不愛說話，不愛社交，也沒有提過什么問題。但是，當他提交自己的第一個任務方案時，你感到有點意外。這名新生編寫的代碼讓人難以理解，你從來都沒見過這樣的代碼。看起來他像是用隨機的過濾器對每幅圖像進行卷積，然后再用非常奇怪的邏輯來得到最終的答案。

你運行了這段代碼，效果非常好。你心想，雖然這個解決方案非同尋常，但只要它有效就足夠了。幾周過去了，學生們需要完成的任務難度越來越高，你也從這名新生那里得到了越來越復雜的代碼。他的代碼出色地完成了難度日益增大的任務，但你無法真正理解其中的內(nèi)容。

期末的時候，你給學生們布置了一項作業(yè)，用一組真實的圖片來區(qū)分貓和狗。結果，沒有學生能夠在這項任務上達到超過65％的準確率，但是新生編寫的代碼準確率高達95%，你大吃一驚。你開始在接下來的幾天中深入分析這些高深莫測的代碼。你給它新的示例，然后進行修改，試著找出影響程序決策的因素，對其進行反向工程。

最終你得出一個非常令人驚訝的結論：代碼會檢測出狗的標簽。如果它能檢測到標簽，那么它就可以判斷對象的下部是否為棕色。如果是，則返回“cat”，否則返回“dog”。如果不能檢測到標簽，那么它將檢查對象的左側是否比右側更黃。如果是，則返回“dog”，否則返回“cat”。

你邀請這名新生到辦公室，并把研究結果呈給他。你向他詢問，是否認為自己真的解決了問題？在長時間的沉默之后，他終于喃喃自語道，他解決了數(shù)據(jù)集顯示的任務，但他并不知道狗長什么樣，也不知道狗和貓之間有什么不同……

很明顯，他作弊了，因為他解決任務目的和你想要的目的無關。不過，他又沒有作弊，因為他的解決方案確實是有效的。然而，其他學生的表現(xiàn)都不怎么樣。他們試圖通過問題來解決任務，而不是通過原始數(shù)據(jù)集。雖然，他們的程序運行得并不好，倒也沒有犯奇怪的錯誤。

深度學習的祝福和詛咒

深度學習是一種技術，它使用一種稱為梯度反向傳播的優(yōu)化技術來生成“程序”(也稱為“神經(jīng)網(wǎng)絡”)，就像上面故事中學者學生編寫的那些程序一樣。這些“程序”和優(yōu)化技術對世界一無所知，它所關心的只是構建一組轉換和條件，將正確的標簽分配給數(shù)據(jù)集中的正確圖像。

通過向訓練集添加更多的數(shù)據(jù)，可以消除虛假的偏差，但是，伴隨著數(shù)百萬個參數(shù)和數(shù)千個條件檢查，反向傳播生成的“程序”會非常大，非常復雜，因此它們可以鎖定更細微偏差的組合。任何通過分配正確標簽，來統(tǒng)計優(yōu)化目標函數(shù)的方法都可以使用，不管是否與任務的“語義精神”有關。

這些網(wǎng)絡最終能鎖定“語義正確”的先驗嗎？當然可以。但是現(xiàn)在有大量的證據(jù)表明，這并不是這些網(wǎng)絡分內(nèi)之事。相反的例子表明，對圖像進行非常微小的、無法察覺的修改就可以改變檢測結果。

研究人員對訓練過的數(shù)據(jù)集的新示例進行了研究，結果表明，原始數(shù)據(jù)集之外的泛化要比數(shù)據(jù)集內(nèi)的泛化弱得多，因此說明，網(wǎng)絡所依賴的給定數(shù)據(jù)集具有特定的低層特性。在某些情況下，修改單個像素就足以產(chǎn)生一個新的深度網(wǎng)絡分類器。

在某種程度上，深度學習最大的優(yōu)勢就是自動創(chuàng)建沒有人會想到的特性能力，這同時也是它最大的弱點，因為大多數(shù)這些功能至少在語義上看起來，可以說是“可疑的”。

什么時候有意義，什么時候沒有意義?

深度學習對于計算機視覺系統(tǒng)來說無疑是一個有趣的補充。我們現(xiàn)在可以相對容易地“訓練”探測器來探測那些昂貴且不切實際的物體。我們還可以在一定程度上擴展這些檢測器，以使用更多的計算能力。

但我們?yōu)檫@種奢侈付出的代價是高昂的：我們不知道深度學習是如何做出判斷，而且我們確實知道，分類的依據(jù)很可能與任務的“語義精神”無關。而且，只要輸入數(shù)據(jù)違反訓練集中的低水平偏差，檢測器就會出現(xiàn)失效。這些失效條件目前尚且不為人知。

因此，在實踐中，深度學習對于那些錯誤不是很嚴重，并且保證輸入不會與訓練數(shù)據(jù)集有很大差異的應用程序非常有用，這些應用能夠承受5%以內(nèi)的錯誤率就沒問題，包括圖像搜索、監(jiān)視、自動化零售，以及幾乎所有不是“關鍵任務”的東西。

具有諷刺意味的是，大多數(shù)人認為深度學習是應用領域的一次革命，因為深度學習的決策具有實時性，錯誤具有重大性，甚至會導致致命的結果，如自動駕駛汽車，自主機器人（例如，最近的研究表明，基于深層神經(jīng)網(wǎng)絡的自主駕駛確實容易受到現(xiàn)實生活中的對抗性攻擊）。我只能將這種信念描述為對“不幸”的誤解。

一些人對深度學習在醫(yī)學和診斷中的應用寄予厚望。然而，在這方面也有一些令人擔憂的發(fā)現(xiàn)，例如，針對一個機構數(shù)據(jù)的模型未能很好地檢測另一個機構數(shù)據(jù)。這再次印證了一種觀點：這些模型獲取的數(shù)據(jù)要比許多研究人員所希望的更淺。

數(shù)據(jù)比我們想象的要淺

出人意料的是，深度學習教會了我們一些關于視覺數(shù)據(jù)(通常是高維數(shù)據(jù))的東西，這個觀點十分有趣：在某種程度上，數(shù)據(jù)比我們過去認為的要“淺”得多。

似乎有更多的方法來統(tǒng)計地分離標有高級人類類別的可視化數(shù)據(jù)集，然后有更多的方法來分離這些“語義正確”的數(shù)據(jù)集。換句話說，這組低水平的圖像特征比我們想象的更具“統(tǒng)計意義”。這是深度學習的偉大發(fā)現(xiàn)。

如何生成“語義上合理”的方法來分離可視數(shù)據(jù)集模型的問題仍然存在，事實上，這個問題現(xiàn)在似乎比以前更難回答。

結論

深度學習已經(jīng)成為計算機視覺系統(tǒng)的重要組成部分。但是傳統(tǒng)的計算機視覺并沒有走到那一步，而且，它仍然可以用來建造非常強大的探測器。這些人工制作的檢測器在某些特定的數(shù)據(jù)集度量上可能無法實現(xiàn)深度學習的高性能，但是可以保證依賴于輸入的“語義相關”特性集。

深度學習提供了統(tǒng)計性能強大的檢測器，而且不需要犧牲特征工程，不過仍然需要有大量的標記數(shù)據(jù)、大量GPU，以及深度學習專家。然而，這些強大的檢測器也會遭遇意外的失敗，因為它們的適用范圍無法輕易地描述(或者更確切地說，根本無法描述)。

需要注意的是，上面的討論都與“人工智能”中的AI無關。我不認為像深度學習與解決人工智能的問題有任何關系。但我確實認為，將深度學習、特性工程和邏輯推理結合起來，可以在廣泛的自動化空間中實現(xiàn)非常有趣和有用的技術能力。