據(jù)報(bào)道，在強(qiáng)大的AI（人工智能）算法誕生之前，圖像信號(hào)處理器（ISP）中實(shí)現(xiàn)的圖像處理功能相當(dāng)簡單，其將來自圖像傳感器的信號(hào)轉(zhuǎn)換為人眼可以理解的圖像。工程師們通常采用專用ISP的硬件架構(gòu)呈流水線式地逐個(gè)處理像素。這種方式催生了能運(yùn)行AI算法的更加強(qiáng)大的視覺處理硬件，具有存儲(chǔ)整個(gè)圖像的內(nèi)存。根據(jù)Yole發(fā)布的《嵌入式圖像和視覺處理-2017版》，汽車將是這項(xiàng)技術(shù)最重要的應(yīng)用領(lǐng)域之一。

隨著車輛朝著無人駕駛和傳感器融合的方向發(fā)展，AI技術(shù)和相關(guān)的硬件正在相互作用，以在前沿領(lǐng)域發(fā)揮作用。Algolux是一個(gè)年輕而富有魅力的創(chuàng)業(yè)公司，對(duì)圖像處理和AI的作用深有了解，并努力自主開發(fā)出有趣的方式將兩者結(jié)合起來。因此，Yole專訪了Algolux公司的總裁兼首席執(zhí)行官Allan Benchetrit，對(duì)Algolux的情況和技術(shù)做了詳細(xì)探討。

2012~2021年視覺系統(tǒng)的硬件市場發(fā)展情況

YoleDéveloppement（以下簡稱YD）：請(qǐng)您談?wù)凙lgolux公司的情況和產(chǎn)品。

Allan Benchetrit（以下簡稱AB）：Algolux通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)了自動(dòng)化視覺，使攝像頭能夠更清晰地看到并感知，這是當(dāng)前視覺系統(tǒng)無法完成的。通過CRISP-ML這套工具，我們機(jī)器學(xué)習(xí)的工作流程可將典型的3~6個(gè)月才能完成圖像質(zhì)量處理工作縮短至幾小時(shí)或幾天。更進(jìn)一步講，我們認(rèn)識(shí)到，在困難的成像場景中，視覺系統(tǒng)對(duì)魯棒性的要求比現(xiàn)有方法更高。Algolux使用基于CANA DNN的完整感知堆棧解決了這個(gè)問題，并取代現(xiàn)有的基于ISP的架構(gòu)。

Algolux總部位于加拿大的蒙特利爾，在帕洛阿爾托和慕尼黑設(shè)有辦事處。主要專注于汽車市場，但我們的技術(shù)適用于任何基于攝像頭的應(yīng)用，如視頻監(jiān)控和智能手機(jī)。我們的產(chǎn)品不僅受到客戶的充分認(rèn)可，在挑戰(zhàn)性問題的創(chuàng)新能力也受到行業(yè)的高度認(rèn)可，最近我們獲得了AutoSens頒發(fā)的“最精彩創(chuàng)業(yè)公司”（Most Exciting Startup）獎(jiǎng)項(xiàng)。

YD：為什么Algolux一開始就專注在汽車應(yīng)用市場？

AB：Algolux主要關(guān)注汽車中的成像和感知案例。高級(jí)駕駛輔助系統(tǒng)（ADAS）和無人駕駛面對(duì)的挑戰(zhàn)性場景——在暗光、強(qiáng)光、噪音、高動(dòng)態(tài)范圍、惡劣天氣和鏡頭等，至今未得到有效解決的問題。另一個(gè)驅(qū)動(dòng)因素是汽車行業(yè)在IEEE P2020中的合作，以建立計(jì)算機(jī)視覺圖像質(zhì)量標(biāo)準(zhǔn)，我們也參與其中。當(dāng)行業(yè)領(lǐng)導(dǎo)者意識(shí)到目前的方法不會(huì)一貫地實(shí)現(xiàn)這些系統(tǒng)的關(guān)鍵任務(wù)安全目標(biāo)時(shí)，工作組就形成了，這是Algolux可以幫助優(yōu)化結(jié)果的自然區(qū)域。

YD：在標(biāo)準(zhǔn)相機(jī)里，相比ISP流水線式的處理方式，創(chuàng)建物體探測的神經(jīng)網(wǎng)絡(luò)是否會(huì)更加復(fù)雜？

AB：兩者實(shí)際上都相當(dāng)復(fù)雜，但也有一些關(guān)鍵的區(qū)別。ISP由多個(gè)連續(xù)的階段組成，對(duì)傳感器捕獲的圖像的顏色、清晰度、噪聲等進(jìn)行處理。每個(gè)階段的算法都是根據(jù)任務(wù)精心設(shè)計(jì)的，雖然事實(shí)上前面的任務(wù)只是用作參考。然后由“成像專家”通過數(shù)千個(gè)參數(shù)對(duì)ISP進(jìn)行“調(diào)整”，從而從特定的鏡頭和傳感器組合中獲得最佳的圖像。最終得到的是視覺上令人滿意的圖像，但調(diào)整時(shí)間可能幾個(gè)月。

基于AI的感知任務(wù)，如物體識(shí)別，通常在由許多層組成的深度神經(jīng)網(wǎng)絡(luò)（DNN）中實(shí)現(xiàn)，每層都有許多節(jié)點(diǎn)進(jìn)行計(jì)算，類似于大腦中的神經(jīng)元。DNN通過特定任務(wù)的注釋圖像的大量數(shù)據(jù)進(jìn)行訓(xùn)練，允許DNN學(xué)習(xí)如何識(shí)別行人、汽車和卡車。

在如今的架構(gòu)中，來自ISP的圖像會(huì)傳送到DNN。關(guān)鍵的限制是ISP是基于專業(yè)的視覺設(shè)計(jì)和調(diào)整產(chǎn)生令人滿意的圖像，但不太適合計(jì)算機(jī)算法（DNN）來識(shí)別對(duì)象。

YD：在ADAS和無人駕駛領(lǐng)域，Algolux打算用CANA感知堆棧替換流水線式信號(hào)處理。你認(rèn)為還可以推廣到無人駕駛以外的應(yīng)用嗎？

AB：由于ISP是以人類視覺而不是計(jì)算機(jī)視覺為目標(biāo)，我們的首席技術(shù)官兼技術(shù)發(fā)明人Felix Heide看到取代這個(gè)限制因素的機(jī)會(huì)，我們用完整的DNN堆棧來“學(xué)習(xí)”是處理來自傳感器的圖像與感知任務(wù)的最好方式。在汽車任務(wù)方面，與目前使用具有DNN感知的現(xiàn)有ISP的方法相比，結(jié)果準(zhǔn)確度顯著提高。對(duì)于典型的分類任務(wù)，我們也看到了相同的改進(jìn)，所以這種方法的推廣前景不錯(cuò)。

YD：在您看來，隨著AI技術(shù)的出現(xiàn)，硬件和軟件公司開發(fā)視覺系統(tǒng)面臨的風(fēng)險(xiǎn)是什么？

AB：AI，特別是深度學(xué)習(xí)，以驚人的速度提高了機(jī)器感知周圍環(huán)境的能力。半導(dǎo)體行業(yè)在圖形處理單元（GPU）和神經(jīng)處理單元（NPU）部署方面也有了明顯的變化，在神經(jīng)網(wǎng)絡(luò)以較低的功率運(yùn)行以實(shí)現(xiàn)更復(fù)雜的任務(wù)得以加速。同樣，在AI軟件創(chuàng)新和基礎(chǔ)設(shè)施方面也有巨大的投資。我們目前還處于初期階段，但誰將會(huì)成為領(lǐng)導(dǎo)者，這是一場高風(fēng)險(xiǎn)的競賽。

YD：Yole預(yù)計(jì)，汽車成像和傳感市場將從簡單的ISP轉(zhuǎn)變集成有AI處理器的融合處理器板開始。支持這種轉(zhuǎn)變的關(guān)鍵硬件和軟件參數(shù)是什么？

AB：這些新方法需要大量的嵌入式處理，無論是計(jì)算機(jī)視覺電子控制單元還是智能邊緣攝像頭，對(duì)降低功耗的同時(shí)提高處理性能的需求至關(guān)重要。智能傳感器融合在提取和處理單獨(dú)的數(shù)據(jù)密集型信息流時(shí)會(huì)增加處理負(fù)荷。從客戶那里，我們聽到很多業(yè)內(nèi)人士就基于所處理的任務(wù)探索不同的融合方法和模型而進(jìn)行的討論。但是，我們強(qiáng)烈主張具有互補(bǔ)性的傳感器和融合才是無人駕駛車輛的未來趨勢(shì)。
? ? ? ?責(zé)任編輯:pj