自動駕駛、智能制造和監(jiān)控應(yīng)用等機(jī)器視覺應(yīng)用所需的目標(biāo)檢測依賴于 AI 建模?，F(xiàn)在的目標(biāo)是改進(jìn)模型并簡化其開發(fā)。

　　多年來，已經(jīng)引入了許多人工智能模型，包括 YOLO、Faster R-CNN、Mask R-CNN、RetinaNet 等，用于檢測圖像或視頻信號、解釋物體并做出適當(dāng)?shù)念A(yù)測。近年來，AI 轉(zhuǎn)換器模型已成為更好的目標(biāo)檢測解決方案，值得研究它們的工作原理以及它們與傳統(tǒng)模型相比有哪些優(yōu)勢。

　　機(jī)器視覺中的物體檢測 人眼可以看到物體并快速確定其大小、顏色和深度。此外，大腦可以通過過濾掉背景視覺效果并僅關(guān)注前景物體來判斷物體是什么——運(yùn)動中的人、靜止不動的動物或消防栓。例如，駕駛員將注意力集中在紅綠燈和附近的任何行人上，但會忽略樹木和山脈等風(fēng)景。理想情況下，在這種情況下，人工智能模型會采取類似的行動。它必須捕獲重要的目標(biāo)對象并過濾掉背景，并對對象進(jìn)行分類。AI 模型必須根據(jù)其訓(xùn)練來預(yù)測感知到的對象是什么。

　　Arm汽車業(yè)務(wù)線高級產(chǎn)品經(jīng)理Alexander Zyazin表示：“如今，機(jī)器可以通過圖像傳感器和鏡頭‘看到’，這些傳感器和鏡頭通過特殊的圖像信號處理（ISP）模塊饋送到SoC，幫助清理圖像以滿足機(jī)器視覺需求?！斑@個ISP模塊的輸出被饋送到加速器或通用CPU，用于對圖像進(jìn)行進(jìn)一步的預(yù)處理和后處理。

　　設(shè)計(jì)要求因用例而異?！霸诒O(jiān)控和工廠場景中，機(jī)器視覺可用于與人數(shù)統(tǒng)計(jì)相關(guān)的用例，以便更好地規(guī)劃或發(fā)現(xiàn)工廠生產(chǎn)線中的缺陷，”Zyazin指出?！霸谄囶I(lǐng)域，機(jī)器視覺目前被用于高級駕駛輔助系統(tǒng)（ADAS），它提供來自幾個傳感器的輸入，以實(shí)現(xiàn)自動緊急制動或車道保持輔助等單一功能?！?/p>

　　技術(shù)進(jìn)步正在為自動駕駛汽車鋪平道路，其中所有輸入都由傳感器提供，不需要人工輸入?！叭欢?，這將需要汽車周圍的許多傳感器，產(chǎn)生大量數(shù)據(jù)，這些數(shù)據(jù)必須以非常低的延遲進(jìn)行管理和處理，”他說?！皬挠布蛙浖慕嵌葋砜?，這是一個高度復(fù)雜的系統(tǒng)設(shè)計(jì)。

　　變壓器架構(gòu)

　　近年來，引入了新的變壓器模型，包括 Oriented Object Detection with Transformer（O2DETR 研究論文 2021）、DEtection TRansformer（來自 Meta 的 DETR 2020）等。與 Faster R-CNN 等傳統(tǒng)模型相比，transformer 方法具有許多優(yōu)勢，包括更簡單的設(shè)計(jì)。［本文將使用 Meta 的 DETR 2020 來說明轉(zhuǎn)換器模型的工作原理。開發(fā)人員也可以使用 DETR 訓(xùn)練代碼。

　　圖1：DETR變壓器模型將其預(yù)測結(jié)果與真實(shí)值進(jìn)行比較。當(dāng)沒有匹配項(xiàng)時(shí)，它將產(chǎn)生“無對象”。匹配將驗(yàn)證對象。資料來源：“使用 Transformer 進(jìn)行端到端對象檢測”，F(xiàn)acebook AI

　　大多數(shù)對象檢測模型會進(jìn)行初始預(yù)測，然后對其進(jìn)行微調(diào)以生成最終預(yù)測。DETR 使用單通道、端到端目標(biāo)檢測和 transformer 編碼和解碼。兩個關(guān)鍵的 DETR 組件是：（1） 一組預(yù)測損失，它強(qiáng)制預(yù)測與真實(shí)值之間的匹配，以及 （2） 一種架構(gòu)，用于預(yù)測一組對象并對對象之間的關(guān)系進(jìn)行建模。地面實(shí)況是指地面上的實(shí)際情況，如圖1左側(cè)的圖片所示。在這種情況下，它是兩只獨(dú)立的同一種鳥。如果不“檢查”真實(shí)情況，設(shè)計(jì)不佳的算法最終可能會預(yù)測兩只不同的鳥或一只有兩個頭的鳥。

　　圖2：DETR變壓器模型。資料來源：“使用 Transformer 進(jìn)行端到端對象檢測”，F(xiàn)acebook AI

　　人腦通過根據(jù)先驗(yàn)知識處理圖像中的信息來識別物體。機(jī)器視覺必須學(xué)習(xí)一切并將圖像轉(zhuǎn)換為數(shù)字?jǐn)?shù)據(jù)。如圖 2 所示，卷積神經(jīng)網(wǎng)絡(luò) （CNN） 通常用于處理數(shù)據(jù)。DETR 使用傳統(tǒng)的 CNN 和骨干網(wǎng)來獲取其數(shù)據(jù)。然后，它通過轉(zhuǎn)換器編碼和解碼過程發(fā)送數(shù)據(jù)。最后，數(shù)據(jù)將進(jìn)入一個共享的前饋網(wǎng)絡(luò) （FFN），該網(wǎng)絡(luò)預(yù)測對象檢測或“無對象”。

　　DETR 不是按順序處理這些錨框，而是采用端到端方法，并行處理數(shù)據(jù)。簡單地說，DETR 著眼于全局并開始做出預(yù)測。然后，它將小塊與真實(shí)值進(jìn)行比較。如果 DETR “看到”一只鳥的頭，并在地面實(shí)況中找到相同的頭，那么它就知道它有一個匹配項(xiàng)，如圖 1 右側(cè)的黃色框所示。否則，它將產(chǎn)生一個“無對象”，如圖 1 右側(cè)的綠色框所示。

　　此外，DETR 可以在沒有“錨點(diǎn)框”或“非最大值抑制”的情況下處理重疊對象。

　　錨點(diǎn)盒用于傳統(tǒng)的目標(biāo)檢測模型。為了將感興趣的對象歸零，該算法會在它們周圍生成框。稍后，它們將用作大小和位置預(yù)測的參考點(diǎn)。

　　如果有多個重疊對象，會發(fā)生什么情況？假設(shè)兩只鳥站得很近，一只鳥擋住了第二只鳥的一部分。一個稱為非極大值抑制的過程用于以最大置信度選擇和預(yù)測兩只獨(dú)立的鳥，同時(shí)抑制所有其他預(yù)測。

　　傳統(tǒng)的 AI 模型使用錨框和非極大值抑制來處理信息。繞過這些步驟使 DETR 比傳統(tǒng)模型更高效。

　　AI 無處不在，但針對不同應(yīng)用進(jìn)行了優(yōu)化 使用機(jī)器視覺進(jìn)行對象檢測需要 AI 模型/算法在 AI 芯片、FPGA 或模塊上運(yùn)行。它們通常被稱為“人工智能引擎”。在首次訓(xùn)練后，可以部署 AI 模型以在適當(dāng)?shù)挠布线\(yùn)行，以做出預(yù)測和/或決策，通常稱為“推理”。確保硬件開發(fā)能夠跟上新 AI 模型的創(chuàng)新非常重要。

　　“如果我們只需要檢測物體，那么像YOLO這樣的非變壓器模型可能就足夠了，”Flex Logix首席技術(shù)官兼軟件和架構(gòu)高級副總裁Cheng Wang解釋道?！暗覀冋谶M(jìn)入一個瞬息萬變的領(lǐng)域。三年前開始用于分類和檢測目的的 transformer 模型現(xiàn)在是生成式 AI 和生成式 AI 視覺的必要條件。所有這些操作都是我們傳統(tǒng)上在以前的AI硬件或AI芯片中沒有考慮過的事情。

　　此外，僅僅擁有運(yùn)行基準(zhǔn)測試的 AI 硬件是遠(yuǎn)遠(yuǎn)不夠的，因?yàn)榛鶞?zhǔn)測試已經(jīng)有五年的歷史了，軟件模型每隔幾個月就會發(fā)生變化。為此，Wang表示，需要eFPGA等AI硬件。它具有軟件適應(yīng)性，可以跟上最新的變壓器型號，這使其具有靈活性。

　　“換句話說，今天有出色的表現(xiàn)是不夠的，”他說?！澳阈枰屇愕脑O(shè)計(jì)面向未來?！?/p>

　　在許多領(lǐng)域，各種類型的人工智能的使用正在增加。

　　瑞薩電子執(zhí)行副總裁兼嵌入式處理、數(shù)字電源和信號鏈解決方案事業(yè)部總經(jīng)理Sailesh Chittipeddi在最近于Semicon West舉行的小組討論中指出，“到75年，2025%的數(shù)據(jù)將來自網(wǎng)絡(luò)的邊緣和端點(diǎn)。它不是在云中生成的。因此，盡管你聽到了所有的炒作，但實(shí)際上，當(dāng)涉及到人工智能時(shí)，大多數(shù)活動都發(fā)生在端點(diǎn)的邊緣。另一個有趣的統(tǒng)計(jì)數(shù)據(jù)是，從所有這些設(shè)備進(jìn)入企業(yè)的數(shù)據(jù)中有90%實(shí)際上被丟棄了。所以，有暗數(shù)據(jù)。您可以實(shí)際攔截正在生成的數(shù)據(jù)以使其有用的第一點(diǎn)在哪里？這是端點(diǎn)的邊緣。這實(shí)際上是關(guān)于預(yù)測網(wǎng)絡(luò)端點(diǎn)邊緣發(fā)生什么的能力，以及什么會產(chǎn)生巨大的差異。

　　在考慮計(jì)算時(shí)，它通常與微控制器、微處理器、CPU、GPU 有關(guān)，盡管最新的嗡嗡聲都是關(guān)于 GPU 以及 GPT3 和 GPT4 正在發(fā)生的事情，以及除此之外發(fā)生的事情。

　　“但請記住，這些都是大型語言模型，”Chittipeddi說?！按蠖鄶?shù)數(shù)據(jù)集不需要如此強(qiáng)大的處理能力。在端點(diǎn)邊緣所需的數(shù)據(jù)要少得多，通常最終發(fā)生的是需要以非常低的延遲快速處理數(shù)據(jù)。延遲、安全性、能夠在本地處理數(shù)據(jù)的能力，以及能夠使其具有可操作性的能力——這是邊緣的第一點(diǎn)。

　　從這個角度來看，處理的分布遠(yuǎn)遠(yuǎn)超出了其傳統(tǒng)市場，而人工智能生成的數(shù)據(jù)量以及對更快結(jié)果的需求是這一轉(zhuǎn)變的關(guān)鍵。

　　“市場一直非常關(guān)注傳統(tǒng)應(yīng)用，如網(wǎng)絡(luò)、PC和ERP，當(dāng)然，這些市場將繼續(xù)增長，”華邦閃存營銷副總裁Alex Wei說?！暗藗円苍趯ふ倚碌膽?yīng)用，這些新應(yīng)用將真正引領(lǐng)我們進(jìn)入下一個時(shí)代。這就是為什么 NVIDIA 在 AI 方面產(chǎn)生了如此多的業(yè)務(wù)，以及為什么您會看到 AMD 緊隨其后推出自己的 GPU。這些新應(yīng)用需要更多的組件，并且所有東西都需要更高的密度。人工智能就像在你的大腦中映射信息。但是，如果你開車，看到有人走在街上，你必須盡量忽略他們才能繞過他們。這就是神經(jīng)學(xué)習(xí)，它消耗了大量的內(nèi)存。而這僅僅是個開始。

　　圖 3：使用 InferX 編譯器進(jìn)行 DETR 部署。DETR 分為 100 層。InferX編譯器將自動最大化快速SRAM訪問，最小化慢速DRAM訪問，并生成用于運(yùn)行每個層的配置位。來源：Flex Logix

　　機(jī)器視覺是另一項(xiàng)關(guān)鍵技術(shù)，如今人工智能和機(jī)器視覺以多種方式進(jìn)行交互。“首先，機(jī)器視覺輸出被饋送到人工智能引擎，以執(zhí)行人數(shù)統(tǒng)計(jì)、物體識別等功能，以做出決策，”Arm的Zyazin說。“其次，人工智能用于通過基于人工智能的降噪來提供更高質(zhì)量的圖像，然后協(xié)助決策。例如，在汽車應(yīng)用中，人工智能和機(jī)器視覺的結(jié)合可以更早地識別限速標(biāo)志并相應(yīng)地調(diào)整速度。

　　但是，在自動駕駛情況下，例如，如果 AI 模型從有缺陷的傳感器接收到相互矛盾的視覺信號，會發(fā)生什么？最好的規(guī)則是在安全方面犯錯。

　　Synopsys負(fù)責(zé)人工智能和機(jī)器學(xué)習(xí)的副總裁Thomas Andersen表示，在這種情況下，這取決于實(shí)際應(yīng)用及其對系統(tǒng)故障的嚴(yán)重性。“出于這個原因，需要使用多個系統(tǒng)來雙重和三重檢查信息。如果發(fā)生沖突，可能很難做出決定。例如，對于自動駕駛汽車來說，如果雷達(dá)傳感器檢測到物體，而攝像頭卻沒有，人們可能總是會謹(jǐn)慎行事并自動剎車。同時(shí)，這種所謂的“幻影制動”也可能導(dǎo)致事故。人們應(yīng)該永遠(yuǎn)記住，永遠(yuǎn)不會有完美的解決方案，人類也會犯很多錯誤。

　　雖然人工智能模型總體上正在改進(jìn)，但人工智能在物體檢測和預(yù)測中準(zhǔn)確性的重要性不容忽視。

　　“就像任何應(yīng)用程序一樣，可接受的誤報(bào)率取決于應(yīng)用程序，”Cadence Tensilica Vision 和 AI DSP 產(chǎn)品管理、營銷和業(yè)務(wù)開發(fā)總監(jiān) Amol Borkar 說。對于消費(fèi)類應(yīng)用，錯誤地將人識別為沙發(fā)并不重要。然而，在汽車應(yīng)用中對行人的錯誤分類或?qū)︶t(yī)療狀況的錯誤診斷可能既嚴(yán)重又致命。這更像是一個人工智能/分類/檢測問題。人工智能的進(jìn)步在自動識別成像數(shù)據(jù)中的復(fù)雜模式和提供定量而不是定性評估的射線照相特征方面變得更加準(zhǔn)確。

　　雖然 Borkar 認(rèn)為 AI 改進(jìn)了很多東西，但他承認(rèn)它確實(shí)在平臺上增加了更多的計(jì)算要求，例如處理大量卷積和神經(jīng)網(wǎng)絡(luò)層?！盀榱耸够谌斯ぶ悄艿哪Ｐ瓦\(yùn)行良好，需要大量的合成數(shù)據(jù)來訓(xùn)練和驗(yàn)證模型。更進(jìn)一步，與傳統(tǒng)的基于滾動/全局快門的傳感器相比，修改感知堆棧以使用事件攝像機(jī)數(shù)據(jù)可能會對最小的運(yùn)動提供超敏感度。這可以提高系統(tǒng)精度，并且適用范圍廣泛。與任何AI模型要想運(yùn)行良好一樣，這種方法需要大量數(shù)據(jù)來訓(xùn)練或驗(yàn)證，然后才能進(jìn)入黃金時(shí)段。

　　安全問題

　　良好的數(shù)據(jù)對于獲得良好的結(jié)果至關(guān)重要，保護(hù)數(shù)據(jù)以及處理和存儲數(shù)據(jù)的系統(tǒng)也至關(guān)重要。

　　機(jī)器視覺系統(tǒng)需要始終得到保護(hù)，Synopsys戰(zhàn)略營銷經(jīng)理Ron Lowman說?！霸谌斯ぶ悄芘c人工智能的情況下，安全性勢在必行。硬件威脅分析過去基于不良行為者及其威脅向量，但人工智能可以使攻擊向量和受攻擊的設(shè)備數(shù)量成倍增加，從而使安全成為一切必要。多年來，安全性都是在軟件中完成的，因?yàn)樗阋恕５珒H靠軟件安全顯然是不夠的，因此我們已經(jīng)看到了所需的安全標(biāo)準(zhǔn)和硬件信任根 IP 的實(shí)現(xiàn)。PCIe和藍(lán)牙就是很好的例子。就藍(lán)牙而言，有自愿性標(biāo)準(zhǔn)來加密數(shù)據(jù)，但沒有人這樣做，因?yàn)橛邢嚓P(guān)的成本。慢慢地，該行業(yè)正在改善這種情況。在PCIe的情況下，采用了一種新的標(biāo)準(zhǔn)，將安全性引入通信接口。在很短的時(shí)間內(nèi)，這推動了大量公司采用PCIe IDE，我們看到這迅速改變了整個接口IP要求的發(fā)展。

　　Arteris產(chǎn)品營銷副總裁Andy Nightingale對此表示贊同?！霸谌魏渭夹g(shù)應(yīng)用中，安全性都是必不可少的，機(jī)器視覺也不例外。機(jī)器視覺系統(tǒng)通常涉及敏感數(shù)據(jù)和流程，例如監(jiān)控錄像、醫(yī)學(xué)成像或自動駕駛汽車控制，因此安全性尤為重要。

　　Nightingale指出了在機(jī)器視覺應(yīng)用中安全性至關(guān)重要的四個領(lǐng)域：

　　數(shù)據(jù)隱私。機(jī)器視覺系統(tǒng)通常處理大量數(shù)據(jù)，包括敏感的個人或商業(yè)信息。保護(hù)這些數(shù)據(jù)免遭未經(jīng)授權(quán)的訪問或披露至關(guān)重要。這可以通過加密、訪問控制和數(shù)據(jù)匿名化來實(shí)現(xiàn)。

　　系統(tǒng)完整性。機(jī)器視覺系統(tǒng)可能容易受到操縱或破壞其操作的攻擊。保護(hù)系統(tǒng)組件和數(shù)據(jù)免遭篡改或黑客攻擊至關(guān)重要。這可以通過安全啟動、系統(tǒng)強(qiáng)化和入侵檢測來實(shí)現(xiàn)。

　　認(rèn)證。機(jī)器視覺系統(tǒng)通常依賴于傳感器、攝像頭和其他容易受到欺騙或冒充攻擊的設(shè)備。確保這些設(shè)備經(jīng)過身份驗(yàn)證至關(guān)重要，系統(tǒng)可以檢測并防止未經(jīng)授權(quán)的訪問。這可以通過生物識別身份驗(yàn)證、設(shè)備證書和網(wǎng)絡(luò)分段來實(shí)現(xiàn)。

　　合規(guī)。機(jī)器視覺系統(tǒng)可能受到與安全和隱私相關(guān)的法規(guī)或行業(yè)特定要求的約束。確保系統(tǒng)設(shè)計(jì)和運(yùn)行符合這些要求至關(guān)重要。這可能涉及風(fēng)險(xiǎn)評估、審計(jì)跟蹤和數(shù)據(jù)保留策略等技術(shù)。

　　Nightingale補(bǔ)充道：“在整個SoC設(shè)計(jì)過程中，應(yīng)使用平臺安全架構(gòu)（PSA）等行業(yè)標(biāo)準(zhǔn)，以及通過終端設(shè)備的部署和操作來解決安全性問題?！巴ㄟ^實(shí)施適當(dāng)?shù)陌踩胧瑱C(jī)器視覺系統(tǒng)可以有效地使用，同時(shí)保護(hù)所涉及的數(shù)據(jù)、方法和個人?！?/p>

　　展望未來

　　隨著人工智能模型的不斷發(fā)展，它們將變得更加高效，就像新興的 transformer 模型一樣。開發(fā)人員需要在未來的設(shè)計(jì)中平衡軟件和硬件。設(shè)計(jì)注意事項(xiàng)中需要包括許多因素，包括靈活的硬件、沖突管理、準(zhǔn)確性和安全性。

　　“對于未來的架構(gòu)，將有一個系統(tǒng)級的機(jī)器視覺視圖，”Synopsys的Lowman說。“需要考慮某些權(quán)衡因素，例如，系統(tǒng)成本、分解架構(gòu)中的內(nèi)存可用性，或芯片內(nèi)和芯片外的內(nèi)存帶寬、處理器數(shù)量、不同階段的處理器類型、每個 AI 階段的位寬以及許多其他參數(shù)。這些只能通過復(fù)雜的工具以及可配置和優(yōu)化的 IP（無論是存儲器、接口、安全性還是處理器 IP）進(jìn)行優(yōu)化。

　　此外，隨著新的人工智能和生成模型的出現(xiàn)，機(jī)器視覺將繼續(xù)擴(kuò)展到新的應(yīng)用。

　　Synopsys的Andersen表示：“機(jī)器視覺有幾個主要方向，包括用于擴(kuò)展深度學(xué)習(xí)解決方案的云計(jì)算，用于改進(jìn)ML管道的自動化ML架構(gòu)，優(yōu)化計(jì)算機(jī)視覺（機(jī)器視覺的超集）的Transformer Architecture，以及在邊緣整合計(jì)算機(jī)視覺技術(shù)的移動設(shè)備。

　　— Ann Mutschler 和 Ed Sperling 的補(bǔ)充報(bào)道。

審核編輯：黃飛