為了不被踢出AI的隊伍，視覺深度模型都開始接私活了？

只要是成熟且完成度較高的技術(shù)，慢慢就不會被大家當(dāng)做智能來看待了。

比如我問身邊的老母親老父親老阿姨們，手機指紋解鎖、手寫輸入、地圖導(dǎo)航、游戲NPC、美顏相機等等是不是人工智能，他們紛紛流露出了質(zhì)疑的小眼神兒：

這么常見樸素不做作，怎么能是AI呢，最起碼也得挑戰(zhàn)一下那些看起來不可能完成的任務(wù)吧，比如能撒嬌的智能客服，360度旋轉(zhuǎn)跳躍閉著眼的機器人，掃一眼就能看病的大白，動不動就血虐人類的智能體什么的。

行……吧……如此看來，最“危險”的要數(shù)計算機視覺了。

估計再過不久，人臉識別、看圖識物、假臉生成，就要被“開除”出AI的隊伍了。

近年來，深度神經(jīng)網(wǎng)絡(luò)徹底升級了計算機視覺模型的表現(xiàn)。在很多領(lǐng)域，比如視覺對象的分類、目標(biāo)檢測、圖像識別等任務(wù)上，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）完成的比人類還要出色，相關(guān)技術(shù)解決方案也開始頻繁出現(xiàn)在普通人的生活細節(jié)之中。

這就夠了嘛？并沒有！視覺模型表示自己除了在圖像任務(wù)里很好用，非圖像任務(wù)也是一把好手。

前不久，深度學(xué)習(xí)開發(fā)者，Medium知名博主 Max Pechyonkin在其博客中，介紹了將視覺深度學(xué)習(xí)模型應(yīng)用于非視覺領(lǐng)域的一些創(chuàng)造性應(yīng)用。

咱們就通過一篇文章，來了解一下求生欲極強的視覺模型是如何在其他領(lǐng)域發(fā)光發(fā)熱的吧。

生活不易，DNN賣藝

由于有遷移學(xué)習(xí)和優(yōu)秀的學(xué)習(xí)資源，DNN在計算機視覺領(lǐng)域的應(yīng)用落地遠超于其他任務(wù)類型。

加上各種開放平臺和公開的預(yù)訓(xùn)練模型加持，任何人都可以在數(shù)天甚至數(shù)小時內(nèi)，將視覺深度學(xué)習(xí)模型應(yīng)用于其他領(lǐng)域。

兩年前，就有外國農(nóng)民開發(fā)出了自動檢測黃瓜的智能程序，北京平谷的桃農(nóng)也用上了自動檢桃機。

背后的技術(shù)邏輯也很容易理解：先選用一個簡單的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型（可以在開放平臺上輕松地找到），將各種帶有標(biāo)簽的圖片扔進去，跑出一個baseline，主要是為了確定數(shù)據(jù)集是否合適，圖像質(zhì)量和標(biāo)簽是否正確，需不需要調(diào)試等等。

OK以后，就可以投喂處理過的圖像數(shù)據(jù)集了，一般圖像越多、標(biāo)注質(zhì)量越高，模型的性能和準(zhǔn)確率就越好。

聽起來是不是學(xué)過高中數(shù)學(xué)就能搞定？

既然技術(shù)門檻并不高，其應(yīng)用范圍自然也就被無限延伸。面對很多非視覺類的原始訓(xùn)練數(shù)據(jù)，視覺模型也表示“不慫”。

其中有幾個比較有意思的應(yīng)用案例：

1.幫石油工業(yè)提高生產(chǎn)效率

石油工業(yè)往往依賴于一種名叫“磕頭機”的設(shè)備開采石油和天然氣，通過游梁活動讓抽油桿像泵一樣將油從地下輸送到表面。高強度的活動也使抽油機極容易發(fā)生故障。

傳統(tǒng)的故障檢測方式是，邀請非常專業(yè)的技術(shù)人員檢查抽油機上的測功計，上面記錄了發(fā)動機旋轉(zhuǎn)周期各部分的負載。通過卡片上的圖像，判斷出哪個部位出現(xiàn)故障以及需要采取什么措施來修復(fù)它。

這個過程不僅耗時，而且只能“亡羊補牢”，無法預(yù)先排除風(fēng)險。

而石油公司正在試驗，將視覺深度學(xué)習(xí)應(yīng)用到故障檢測中。

貝克休斯（Baker Hughes）公司就將測功計轉(zhuǎn)換成圖像，然后作為數(shù)據(jù)集傳給ImageNet預(yù)訓(xùn)練好的模型中。結(jié)果顯示，只需采用預(yù)訓(xùn)練好的模型并用新數(shù)據(jù)對其進行微調(diào)，機器自動檢測故障的準(zhǔn)確率就達到了93%，進一步優(yōu)化則接近97%！

（左側(cè)是輸入圖像，右側(cè)是故障模式的實時分類。系統(tǒng)在便攜設(shè)備上運行，分類時間顯示在右下角）

應(yīng)用了視覺算法訓(xùn)練出來的新模型，不需要等待專業(yè)人員的排期和診斷，就可以自行判斷絕大多數(shù)故障并立即開始修復(fù)。聽起來是不是很棒很奈斯？

2.幫金融網(wǎng)站進行在線風(fēng)控

金融網(wǎng)站與欺詐團伙的斗智斗勇，往往是一場“道高一尺魔高一丈”的技術(shù)軍備競賽。想要區(qū)分訪問者是普通客戶還是潛在風(fēng)險客戶，僅僅依靠IP過濾、驗證碼等互聯(lián)網(wǎng)技術(shù)顯然不夠了。

但如果金融網(wǎng)站的系統(tǒng)能夠根據(jù)鼠標(biāo)使用模式來識別用戶行為，就能夠預(yù)先規(guī)避欺詐交易的發(fā)生。要知道，欺詐者使用電腦鼠標(biāo)的方式是獨一無二而且非常異常的。

但如何得到一個深度學(xué)習(xí)鑒別模型呢？Splunk就將每個用戶在每個網(wǎng)頁上的鼠標(biāo)活動轉(zhuǎn)換為單個圖像。用不同的顏色編碼代表鼠標(biāo)移動的速度，紅點和綠點則代表使用了鼠標(biāo)鍵。這樣，就得到了大小相同、且能夠應(yīng)用圖像模型的原始數(shù)據(jù)了。

Splunk用了一個由2000張圖片組成的訓(xùn)練集，進行了2分鐘的訓(xùn)練后，系統(tǒng)就能識別出普通客戶和非客戶，準(zhǔn)確率達到80%以上。

對于某個特定用戶，系統(tǒng)還能夠判斷出哪些是用戶自己發(fā)出的，哪些是模仿的。這次只用了360張圖片就訓(xùn)練出了78%左右的準(zhǔn)確率。麻麻再也不用擔(dān)心我的理財賬戶被盜了。

3.通過聲音檢測進行動物研究

2018年10月，谷歌的研究人員使用視覺CNN模型對一段錄音進行了分析，檢測到了其中座頭鯨的聲音。

他們將音頻數(shù)據(jù)轉(zhuǎn)換成了視頻譜，一種表示音頻頻率特征的圖像。

然后使用了Resnet-50架構(gòu)來訓(xùn)練這個模型。有90%的鯨魚歌聲音頻被系統(tǒng)正確歸類。而如果一首錄音是鯨魚的，也有90%的幾率它會被貼上正確的標(biāo)簽。

這項研究成果可以用來跟蹤單個鯨魚的運動、歌曲的特性、鯨魚的數(shù)量等。

同樣的實驗也適用于人類語音、工業(yè)設(shè)備錄音等等。使用類似librosa這樣的音頻分析軟件，就可以用CPU生成時頻譜。

至此，可以總結(jié)一下視覺深度學(xué)習(xí)模型“跨次元”應(yīng)用的基本操作了：

1.將原始數(shù)據(jù)轉(zhuǎn)換成圖像；

2.使用預(yù)訓(xùn)練的CNN模型或從頭訓(xùn)練一個新模型進行訓(xùn)練。

由此得到一個能夠解決非視覺問題的新模型。

開腦洞才是最難的

當(dāng)然，上述都是作者分享的一些已經(jīng)在實踐中取得成效的應(yīng)用，我們還可以將其應(yīng)用于很多有趣、有意義的場景之中。前提是，能夠找到一種將非視覺數(shù)據(jù)轉(zhuǎn)換成圖像的方法。

比如兒童餐食的健康問題，僅靠學(xué)校食堂和家長自學(xué)營養(yǎng)學(xué)顯然不是一個足夠效率、且能大規(guī)模推廣的辦法。

利用視覺模型，可以對餐盤的自動掃描與檢測，對圖像中的餐食特征和瑕疵點進行提取，以此推測出餐盤和飲食的潔凈度是否合格，營養(yǎng)搭配是否符合基本要求。

再比如，通過智能攝像頭將零售商超中的人群分布和動線轉(zhuǎn)化為圖像，進行分析和檢測，可以判斷出不同社區(qū)的需求和消費特征，從而有針對性地進行選品和陳設(shè)，進一步提升坪效?；蛘呤峭ㄟ^汽車行駛軌跡來預(yù)測和優(yōu)化不同時段的路況及定價。

總而言之，目前計算機視覺模型早已從實驗室和科學(xué)家案頭，幫助越來越多的現(xiàn)實問題尋找解決方案。

由此也可以看出，在AI落地中并不缺成熟、可落地的算法，大開腦洞的創(chuàng)造力才是最難的。

當(dāng)然也有隱患

作為一個負責(zé)任的“AI吹”，故事顯然不能在“AI好AI妙A(yù)I呱呱叫”中戛然而止。

雖然計算機視覺表現(xiàn)出了極大的適應(yīng)性，但在實際應(yīng)用時，有一些缺點是其本身也沒有解決的， 這也導(dǎo)致很長一段時間內(nèi)，圖像識別、生成等應(yīng)用還能被當(dāng)做展示人工智能的神奇能力而被夸耀著。

首先，是視覺神經(jīng)網(wǎng)絡(luò)對于圖像變化和背景過于敏感。無論是轉(zhuǎn)換非視數(shù)據(jù)，還是直接訓(xùn)練原始圖片，機器視覺的處理邏輯都是將圖像轉(zhuǎn)換為系統(tǒng)可理解的“數(shù)字”，再進行對比和識別。因此，將背景和變化等噪音識別成其他物體也就不足為奇了。

（在照片中增加不同的物體，會影響照片中原有的猴子的識別結(jié)果）

既然是通過視覺模型進行訓(xùn)練，那就需要大量有標(biāo)注的高質(zhì)量數(shù)據(jù)，而在現(xiàn)實應(yīng)用中，一些非圖像的原始數(shù)據(jù)，比如用戶鼠標(biāo)習(xí)慣、零售店動向等等，包含了多個維度、不同數(shù)量的數(shù)據(jù)點，不僅標(biāo)記數(shù)據(jù)集的工作耗時耗力，而且訓(xùn)練這些龐大的數(shù)據(jù)也需要大量的GPU資源。

但遺憾的是，受標(biāo)注質(zhì)量、模型準(zhǔn)確率、專業(yè)領(lǐng)域知識等影響，最終的成果在真實世界中的體驗也可能非常糟糕。想要讓商業(yè)機構(gòu)冒著投資打水漂的風(fēng)險進行嘗試，恐怕還有很多工作要做。

更何況，視覺深度模型并不是一種放之四海而皆準(zhǔn)的解決方案，有些任務(wù)是難以進行視覺化標(biāo)注，或者實現(xiàn)成本很高的，短時期內(nèi)也只能望AI興嘆了。

總而言之，視覺深度學(xué)習(xí)模型的成熟和非視覺場景的試探，給AI開發(fā)帶來了新的故事和想象力，比起千箱一面的智能語音、人手一個的人臉識別，更令人驚喜，實用性也值得期待。

不過本質(zhì)上講，一切技術(shù)問題最后都是經(jīng)濟學(xué)問題。只要不計成本，總能搞得出來。《三體》中，秦始皇不也用三千萬大軍搞出了能計算太陽運行軌道的人形計算機隊列嗎？

這也和如今的人工智能產(chǎn)業(yè)現(xiàn)狀悄然重合，技術(shù)不是關(guān)鍵性問題，沒錢又不會搞工程的項目，就別讓AI背鍋了吧……