視頻大數(shù)據(jù)作為攝像頭等硬件的普及與人工智能算法飛速發(fā)展相結(jié)合的產(chǎn)物，近年來的發(fā)展得到了人們的廣泛關(guān)注。計算機視覺作為視頻大數(shù)據(jù)分析的一個重要環(huán)節(jié)，特別是人工智能和深度學習的算法在計算機視覺更廣泛的應(yīng)用，使計算機視覺這幾年熱度一直不減。

本文我們從計算機視覺的智能化前端去思考，這里的智能化前端指智能硬件、移動設(shè)備等輕量級的硬件，以區(qū)別于云端服務(wù)器級別的設(shè)備。我們一直認為，市場和實際的應(yīng)用是決定一個產(chǎn)業(yè)能否發(fā)展的先決條件，再從工程技術(shù)的角度去分析是否滿足實際應(yīng)用場景；同時工程技術(shù)的成熟，又會促進市場和實際應(yīng)用、商業(yè)模式的發(fā)展。因此，本文主要從市場/應(yīng)用、算法和硬件三個維度去探討。當然由于本人知識儲備尚且有不足，希望能拋磚引玉，借此與各算法、硬件的產(chǎn)業(yè)界專家，以及行業(yè)研究者做更深入的探討。

一、行業(yè)與應(yīng)用

如上次文章的闡述，我們一直從全產(chǎn)業(yè)鏈、競爭格局、技術(shù)發(fā)展趨勢、應(yīng)用導(dǎo)向和市場空間5個維度，來分析行業(yè)發(fā)展的機會。

計算機視覺作為一種人工智能的基礎(chǔ)技術(shù)應(yīng)用，使用場景多樣，市場潛力巨大。其中，人臉識別和視頻監(jiān)控作為計算機視覺的重要應(yīng)用領(lǐng)域，2015年市場容量已達十億和百億級別。隨著計算機視覺與傳統(tǒng)行業(yè)、商業(yè)聯(lián)系越來越緊密，未來更具有市場空間。

從計算機視覺的產(chǎn)業(yè)鏈來看，包括了基礎(chǔ)支撐層、技術(shù)提供層、以及場景應(yīng)用層。從產(chǎn)業(yè)鏈的廠商來看，包括了側(cè)重于算法的Google、Microsoft、facebook、BAT等互聯(lián)網(wǎng)公司，Intel、Nvidia等半導(dǎo)體公司，海康、大華等傳統(tǒng)公司，也包括曠視、商湯、依圖等創(chuàng)業(yè)公司。從競爭的格局來看，由于Google、微軟等互聯(lián)網(wǎng)巨頭對算法等經(jīng)常做開源算法，初創(chuàng)企業(yè)在通用層面很難以算法來保持競爭優(yōu)勢，而是必須結(jié)合特定的應(yīng)用場景，采用軟硬件結(jié)合的方式，深耕細分垂直市場，更容易保持持續(xù)性的優(yōu)勢。

從技術(shù)發(fā)展趨勢來看，由于基于人工智能的深度學習的廣泛應(yīng)用，計算機視覺的準確度和識別率已經(jīng)超過人眼，當然這是在服務(wù)器端硬件處理能力、并行計算能力，深度學習算法、以及海量視頻圖像數(shù)據(jù)等因素的驅(qū)動下。但是隨著智能前端芯片的處理能力越來越強，我們希望看到越來越多的計算機視覺處理部分能放到前端來處理，無疑這意味著失去了以Hadoop大數(shù)據(jù)并行計算的優(yōu)勢，同時由于硬件處理能力減弱，我們必須對整個視覺模型進行裁減，如把20多層的深度神經(jīng)網(wǎng)絡(luò)減少到7層，可能要先在服務(wù)器上進行模型訓練，再以先驗的閾值對前端進行巧妙的設(shè)置，同時要充分考慮到精確度、能耗、吞吐量/延遲性以及成本，這無疑對硬件與算法提出了挑戰(zhàn)。

DSP的全稱為Digital Signal Process，即數(shù)字信號處理技術(shù)，目前全球最大的DSP芯片廠商是TI，最大的DSP IP廠商是CEVA。DSP芯片被廣泛用于自動控制、圖像處理、通信技術(shù)、網(wǎng)絡(luò)設(shè)備、儀器儀表和家電等領(lǐng)域。DSP芯片的內(nèi)部采用程序和數(shù)據(jù)分開的哈佛結(jié)構(gòu)，具有專門的硬件乘法器，廣泛采用流水線操作，提供特殊的DSP指令，可以用來快速地實現(xiàn)各種數(shù)字信號處理算法，如數(shù)字濾波、自適應(yīng)濾波、快速傅里葉變換、相關(guān)運算、頻譜分析、卷積等。

DSP天然擁有處理計算機視覺算法的優(yōu)勢。近期Inuitive已經(jīng)取得CEVA-XM4智慧視覺DSP的授權(quán)許可，并且也已經(jīng)部署在其下一代的AR/VR 和電腦視覺SoC元件NU4000之中。Inuitive將利用CEVA-XM4來運行復(fù)雜的即時深度感測、特征跟蹤、目標識別、深度學習和其它以各種行動設(shè)備為目標的視覺相關(guān)之演算法，這些行動設(shè)備包括擴增實境和虛擬實境頭戴耳機、無人機、消費機器人、360度相機和深度感測器等。NU3000以第三代的CEVA-MM3101圖像和視覺DSP來提供立體視覺功能，現(xiàn)在是Google Project Tango生態(tài)系統(tǒng)中的一部分，開發(fā)人員能夠利用它來開發(fā)需要即時深度產(chǎn)生、映射、定位、導(dǎo)航和其它復(fù)雜信號處理演算法的應(yīng)用。

CEVA ADK包括一個可簡化軟體發(fā)展和整合工作的安卓多媒體框架(AMF)、一套先進的軟體發(fā)展工具和一系列專為這些DSP而優(yōu)化的軟體產(chǎn)品及程式庫。針對以深度學習為目標的嵌入式系統(tǒng)，CEVA深層類神經(jīng)網(wǎng)路(Deep Neural Network，CDNN)即時類神經(jīng)網(wǎng)路軟體框架簡化機器學習部署，功耗遠遠低于基于先進GPU的系統(tǒng)。

我認為在機器視覺的智能化前端，DSP會有更廣泛的應(yīng)用，甚至不亞于GPU。

最近有報道，亞馬遜（AWS）宣布將通過云交付模式提供高端 Xilinx FPGA，首先提供開發(fā)者預(yù)覽模式，然后使用更高級的工具進行分支，以幫助新用戶啟用和調(diào)試 FPGA 加速?；贔PGA的深度學習算法越來越受重視。不僅在云端，目前基于FPGA的計算機視覺的智能化前端應(yīng)用也很廣，包括基于FPGA的視覺ADAS的應(yīng)用，圖形圖像視頻識別等方面。由于FPGA是采用硬件描述語言如Verilog、VHDL等，與我們通常理解的軟件不一樣，硬件具有時序概念，很適合同步運算。拿高端的來說，3000多個固定乘法器，拿數(shù)字邏輯還能搭3000個，最快能到接近300mhz, 也就是1800g這個量級。在實時性、流處理方面都有優(yōu)勢，從渠道的反饋情況，在功耗性能比上，優(yōu)于GPU。

最近在看一本書，《FPGA前沿：可重構(gòu)計算的新應(yīng)用》，里面有關(guān)于FPGA在新的應(yīng)用領(lǐng)域的探討，推薦大家看一下。誠如書中所言，目前FPGA方面要解決好易開發(fā)的問題，如采用OpenCL建立通用的API層，便于客戶的二次開發(fā)。在這一塊，我們會一直跟蹤Xilinx及其合作伙伴，在創(chuàng)建基于FPGA的各種深度學習包括機器視覺開發(fā)庫上的進展。

二、智能前端算法

計算機視覺是指用計算機來模擬人的視覺系統(tǒng)，實現(xiàn)人的視覺功能，以適應(yīng)、理解外界環(huán)境和控制自身的運動。概括的說，視覺系統(tǒng)主要解決的是物體識別、物體形狀和方位確認以及物體運動判斷這三個問題。從技術(shù)上來說，主要分為目標檢測、目標識別、行為識別。

關(guān)于計算機視覺上的算法進展，在2010年，ImageNet 創(chuàng)建，提供了一個真正大規(guī)模有標注的圖像數(shù)據(jù)集，在千萬圖像量級，有上千圖像類別。這使圖像分析技術(shù)開始有明顯提高。2012年，深度神經(jīng)網(wǎng)絡(luò)被成功用于ImageNet圖像分類年度競賽，將其性能大幅度提升，展示了深度神經(jīng)網(wǎng)絡(luò)對視覺研究的極大潛能，也激起了視覺研究的新高潮，讓人們看到了計算機視覺實用化的希望。短短幾年后的今天，深度神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展迅速，在ImageNet圖像分類上的性能已超過人類，人們研究的重點也從圖像分類轉(zhuǎn)移到圖像物體語義分割等更細更復(fù)雜的任務(wù)。在深度神經(jīng)網(wǎng)絡(luò)中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN）是參考人的視覺形成規(guī)律所構(gòu)建的，因此常常用于圖像識別。

在人工智能、機器學習、人工神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、監(jiān)督學習、無監(jiān)督學習等等概念方面，下面的圖很好的解釋了彼此之間的關(guān)系，推薦給大家。

上面是目前較常用的開源算法。對本文來說，我們關(guān)注的是計算機視覺的智能前端化的算法，所以我們關(guān)注最近谷歌開源深度學習框架 TensorFlow 發(fā)布了完整的1.0版本，使得在普通智能手機上運行機器學習，特別是深度學習程序成為可能。 我們更關(guān)注這些算法，包括深度學習的算法，在智能化前端設(shè)備上的運行，它可能需要對算法進行裁減，那會不會影響算法模型的收斂性、精確度、延遲等問題，是否因為模型的修改要重新訓練。最先進的 DNNs 所耗費的能量比其他形式的嵌入處理（比如視頻壓縮）要高出幾個數(shù)量級，如果運用在嵌入式的前端，對功耗有多大程度的影響。針對特定場景的應(yīng)用，結(jié)合哪些硬件處理芯片和算法模型，就能很好的應(yīng)用，這些問題，我們沒有第一手資料，所以如果大家能做分享，我們非常感興趣。

我們在對待這個領(lǐng)域的態(tài)度，一直秉持應(yīng)用為王的理念，無論是以前做工程師，現(xiàn)在看創(chuàng)業(yè)類的項目，初心不改。

同時，安創(chuàng)加速器一直依托Arm生態(tài)圈，理解產(chǎn)業(yè)和技術(shù)的發(fā)展趨勢；同時，依托創(chuàng)業(yè)投資圈，理解投融資動態(tài)；并通過自身的行業(yè)研究，加深行業(yè)的理解。

作者：馮棕煦

審核編輯 黃昊宇