計算機視覺是目前AI在中國落地最順利的技術。從目前的落地進展來看，移動互聯(lián)網(wǎng)、安防、零售、物流、醫(yī)療、文娛、無人駕駛的商業(yè)化有待成熟。以曠視科技Face++、商湯科技、極鏈科技Video++為代表的AI頭部企業(yè)戰(zhàn)略出現(xiàn)向平臺企業(yè)或軟硬一體化企業(yè)發(fā)展的分化趨勢及零售等新領域快速崛起。

計算機視覺在中國AI市場組成部分占比巨大。根據(jù)中國信通院2018年2月發(fā)布的報告數(shù)據(jù)，2017年，中國人工智能市場中計算機視覺占比37%，以80億元的行業(yè)收入排名第一。2018年信通院11月發(fā)布的《2018人工智能發(fā)展白皮書——技術篇》中以深度學習算法驅(qū)動的人工智能技術為主，數(shù)據(jù)顯示，在全球人工智能產(chǎn)業(yè)蓬勃發(fā)展的今天，人工智能技術以機器學習，特別是深度學習為核心，在視覺、語音、自然語言等應用領域迅速發(fā)展，已經(jīng)開始滲入到各個行業(yè)。BBC預測，2020年全球人工智能市場規(guī)模約183億美元，年均增長20%。在人工智能產(chǎn)業(yè)應用上，從融資規(guī)模和市場結構來看，中國AI企業(yè)更集中于視覺和語音方向。

目前，深度學習幾乎成了計算機視覺領域的標配，也是當下人工智能領域最熱門的研究方向。計算機視覺的應用場景和深度學習背后的技術原理是什么呢?

深度學習背后的技術原理

機器學習

機器學習的本質(zhì)其實是為了找到一個函數(shù)，讓這個函數(shù)在不同的領域會發(fā)揮不同的作用。像語音識別領域，這個函數(shù)會把一段語音識別成一段文字;圖像識別的領域，這個函數(shù)會把一個圖像映射到一個分類;下圍棋的時候根據(jù)棋局和規(guī)則進行博弈;對話，是根據(jù)當前的對話生成下一段對話。機器學習離不開學習兩個字，根據(jù)不同的學習方式，可以分為監(jiān)督學習和非監(jiān)督學習兩種方式。

監(jiān)督學習中，算法和數(shù)據(jù)是模型的核心所在。在監(jiān)督學習中最關鍵的一點是，我們對訓練的每個數(shù)據(jù)都要打上標簽，然后通過把這些訓練數(shù)據(jù)輸入到算法模型經(jīng)過反復訓練以后，每經(jīng)過一次訓練都會減少算法模型的預計輸出和標簽數(shù)據(jù)的差距。

通過大量的訓練，算法模型基本上穩(wěn)定下來以后，我們就可以把這個模型在測試數(shù)據(jù)集上驗證模型的準確性。這就是整個監(jiān)督學習的過程，監(jiān)督學習目前在圖片分類上應用得比較多。

非監(jiān)督學習里跟監(jiān)督學習不同的地方是，非監(jiān)督學習不需要為所有的訓練數(shù)據(jù)都打上標簽。非監(jiān)督學習主要應用在兩個大類，第一類是做聚類分析，聚類分析是把一組看似無序的數(shù)據(jù)進行分類分組，以達到能夠更加更好理解的目的。

另外是做自動編碼器，在數(shù)據(jù)分析的時候，原始數(shù)據(jù)量往往比較大，除了包含一些冗余的數(shù)據(jù)，還會包含一些對分析結果不重要的數(shù)據(jù)。自動編碼器主要是對原始數(shù)據(jù)做降維操作，把冗余的數(shù)據(jù)去掉，提高后面數(shù)據(jù)分析的效率。

通過不同的學習方式獲取到數(shù)據(jù)后，算法是接下來非常重要的一環(huán)。算法之于計算機就像大腦對于我們?nèi)祟悾x擇一個好的算法也是特別重要的。

神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡是受人腦神經(jīng)元結構的啟發(fā)，研究者認為人腦所有的神經(jīng)元都是分層的，可以通過不同的層次學習不一樣的特征，由簡單到復雜地模擬出各種特征。

上圖是計算機應用數(shù)學的方式來模擬人腦中神經(jīng)元的示意圖。a1到ak是信號的輸入，神經(jīng)元會對輸入信號進行兩次變換。第一部分是線性變換，因為神經(jīng)元會對自己感興趣的信號加一個權重;第二部分是非線性變換。

神經(jīng)網(wǎng)絡就是由許多的神經(jīng)元級聯(lián)而形成的，每一個神經(jīng)元都經(jīng)過線性變換和非線性變換，為什么會有非線性變換?從數(shù)學上看，沒有非線性變換，不管你神經(jīng)網(wǎng)絡層次有多深都等價于一個神經(jīng)元。如果沒有非線性變換，神經(jīng)網(wǎng)絡深度的概念就沒有什么意義了。

卷積神經(jīng)網(wǎng)絡

以上所講的都是一般的全連接神經(jīng)網(wǎng)絡，接下來進入卷積神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡是專門針對圖片處理方面的神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡首先會輸入一張圖片，這張圖片有三個顏色通道的數(shù)據(jù)，這是輸入層。下面是卷積層，有一個卷積核的概念，每一個卷積核提取圖片的不同特征。

提取出來以后到池化層，就是把卷積層的數(shù)據(jù)規(guī)?？s小，減少數(shù)據(jù)的復雜度。卷積和池化連起來我們叫做一個隱層，一個卷積神經(jīng)網(wǎng)絡會包含很多個隱層，隱層之后是全連接層，全連接層的目的是把前面經(jīng)過多個卷積池化層的特征把數(shù)據(jù)平鋪開，形成特征向量，我們把特征向量輸入到分類器，對圖片進行分類。

簡單來說，卷積神經(jīng)網(wǎng)絡更適合計算機視覺主要有兩個原因，一是參數(shù)共享，另外一個是稀疏連接。

2015年基于深度學習的計算機視覺算法在ImageNet數(shù)據(jù)庫上的識別準確率首次超過人類，同年Google在開源自己的深度學習算法。這些帶動中美兩國的科學家把計算機視覺算法運用到安防、金融、互聯(lián)網(wǎng)、物流、零售、醫(yī)療、文娛、制造業(yè)等不同垂直行業(yè)。但在實際的運用當中，由于數(shù)據(jù)可得性、算法成熟度、服務的容錯率等因素的影響，落地的速度開始出現(xiàn)分化。其中，移動互聯(lián)網(wǎng)、安防、醫(yī)療、無人駕駛等發(fā)展較慢。

技術發(fā)展趨勢:

提高預測精度，降低數(shù)據(jù)標注成本隨著技術的不斷發(fā)展，計算機視覺能夠識別信息的種類從最初的文字信息，到人臉，人的體態(tài)識別，以及各種不同的物體。

能夠識別的精度也從最初的人1:1比對，到用于門禁系統(tǒng)等1:N比對，以及用在黑名單監(jiān)控等場景的M:N動態(tài)監(jiān)控。除了提高算法精度以外，提高數(shù)據(jù)標注的效率也是計算機視覺公司重要的課題之一。

企業(yè)發(fā)展戰(zhàn)略開始分化，商湯向左，曠視向右計算機視覺技術在中國的快速落地，吸引了以曠視科技Face++、商湯科技、極鏈科技Video++為代表的以算法為核心競爭力的AI初創(chuàng)公司，擁有強大數(shù)據(jù)采集及軟件開發(fā)能力的互聯(lián)網(wǎng)公司，以及華為這樣的科技巨頭。經(jīng)過一年多的發(fā)展，各個公司都已經(jīng)根據(jù)自己資源的不同，戰(zhàn)略出現(xiàn)了分化。

各類公司初始時在產(chǎn)業(yè)環(huán)節(jié)中各有偏好，初創(chuàng)企業(yè)在算法與模型訓練上占優(yōu)，互聯(lián)網(wǎng)企業(yè)則擁有天然的數(shù)據(jù)優(yōu)勢，安防企業(yè)則憑借極強的工程能力加速安防項目落地。AI頭部初創(chuàng)企業(yè)近年來融資動作頻繁，受到資本市場的青睞，在資金方面暫無瓶頸，然而面臨互聯(lián)網(wǎng)巨頭的挑戰(zhàn)，各大初創(chuàng)企業(yè)應依托已有的獨立設計算法的能力，構建平臺型解決方案，在研發(fā)能力與方案落地速度上取勝。