在訓練神經網(wǎng)絡的時候，經常會出現(xiàn)「缺數(shù)據(jù)」的情況。

這時候，就需要「數(shù)據(jù)增強」來獲取更多數(shù)據(jù)。而近幾年，鏡像反轉成了最為常用的方法之一。

轉一次，獲得2倍數(shù)據(jù)，真香！

然而，事情卻沒有想像中的那么簡單——當翻轉了數(shù)據(jù)集里所有的圖片時，神經網(wǎng)絡所擬合的函數(shù)，還能代表原先的圖像分布么？

針對這一問題，來自康奈爾大學的研究員，首次挑戰(zhàn)了常規(guī)神經網(wǎng)絡訓練中，圖片「翻轉不變性」（flip-invariant） 的這一假設。

研究的題目叫做視覺手性（Visual Chirality），并在CVPR 2020中獲得了最佳論文提名。

注：手性的定義為「一個物體無法與其鏡像相重合」。「視覺手性」一詞啟發(fā)自手性，意指「計算機視覺領域中圖像分布與其鏡像分布的區(qū)別」。

而該研究的一作，是此屆CVPR大會上年紀最小的獲獎者，年僅21歲的華人科研新秀——林之秋。

這項研究在多種領域（人臉，互聯(lián)網(wǎng)圖片，數(shù)字處理圖像）上利用卷積神經網(wǎng)絡，發(fā)現(xiàn)了許多常人難以捕捉的「視覺手性」線索。

通過自監(jiān)督訓練，在多項數(shù)據(jù)集上達到了60%，甚至到90%的精度。

鏡像翻轉的圖像，能不變？

為了理解這一鏡像翻轉話題，我們先來看下這樣的一個例子：

在上面這張圖中，你能判斷出哪些圖像被翻轉了嗎？答案如下：

圖一：鏡像翻轉（線索：文字）。我們可以很容易看出來文字被翻轉過了。

圖二：沒有翻轉（線索：紐扣）。男士襯衫的紐扣一般位于身體右側。

圖三：鏡像翻轉（線索：吉他）。吉他手的主手應當在吉他右側。

鏡像翻轉對于人類而言并沒有多少區(qū)別（如圖二和圖三），因而難以判斷。

然而，神經網(wǎng)絡卻可以通過自監(jiān)督訓練的方法在這個任務上達到非常高的精度，并能指出圖片中哪些區(qū)域可以被用于識別鏡像翻轉。

手性代表著單個圖片的翻轉不對稱性，而視覺手性（Visual Chirality）則是針對圖像分布所定義的翻轉不對稱性。

當一個圖像分布具備視覺手性時，使用鏡像翻轉作為數(shù)據(jù)增強方法，將不可避免的改變一個數(shù)據(jù)集所代表的分布。

換句話說，只有當一個圖像分布不具備視覺手性的時候，才能在不改變原先圖像分布的前提下，使用鏡像翻轉來增強數(shù)據(jù)集。

然而，視覺手性是大部分視覺領域都擁有的屬性。正如此篇文章作者，谷歌AI科學家Noah Snavely教授所說：

在計算機視覺的研究中，我們常把這個世界視為”翻轉不變“的，鏡像翻轉因而是一個常規(guī)的數(shù)據(jù)增強方法。

然而，當你翻轉圖片后，文字將被顛倒，左手變?yōu)橛沂?，而螺旋意大利面也將朝相反方向旋轉。

那么，這項研究又是如何挑戰(zhàn)了，人們先前在計算機視覺中，對于「翻轉不變性」假設的呢？

實驗過程

這項研究利用了自監(jiān)督學習方法來訓練卷積神經網(wǎng)絡。

對于任何一個數(shù)據(jù)集，只需要將其原有的圖片標記為「無翻轉」，并將鏡像翻轉過的圖片標記為「有翻轉」，即可訓練神經網(wǎng)絡識別鏡像翻轉這個二分類任務（binary classification）。

同時，可以根據(jù)神經網(wǎng)絡在驗證集的表現(xiàn)，來評估這一圖像分布是否具備視覺手性：

如果驗證集上的精度要顯著大于50%，便有充足的證據(jù)來證明視覺手性的存在。

這項研究利用了ResNet-50作為基本的網(wǎng)絡結構，并使用SGD方法來訓練網(wǎng)絡。

為了了解神經網(wǎng)絡學到了哪些視覺手性線索，研究人員利用了類激活映射（CAM：Class Activation Map）方法，在原有圖片上對于視覺手性敏感的區(qū)域進行了高亮。

同時因為能造成視覺手性的現(xiàn)象有很多，研究人員還推出了一個簡單的基于類激活映射的聚類方法——手性特征聚類（Chiral Feature Clustering）。

在互聯(lián)網(wǎng)圖片集上，神經網(wǎng)絡在鏡像翻轉識別上取得了高達60%-80%的精度。

研究人員在Instagram圖片集上進行了手性特征聚類，并挑選了一系列與人們生活相關的典型視覺手性現(xiàn)象進行討論。

手機：對著鏡子自拍是人們最愛做的事。此類照片具有視覺手性，因為手機的攝像頭一般固定在手機背面的一側（因品牌而異），同時由于多數(shù)人是右撇子，一般都以右手持手機進行自拍。

吉他：幾乎大多數(shù)的吉他手都以右手撥弦，左手持把。

手表：手表一般都被帶在人們的右手側。

為了深入了解人臉的視覺手性現(xiàn)象，研究人員在人臉數(shù)據(jù)集上進行了孤立訓練。

在Flickr-Faces-HQ （FFHQ）人臉數(shù)據(jù)集上進行了訓練，并在測試集上取得了高達81%的精度，還利用手性特征聚類對人臉中的視覺手性現(xiàn)象進行了初步的探討：

劉海分界處：人們一般用右手來分理劉海，這會導致劉海的朝向向一側偏移，并出現(xiàn)視覺手性現(xiàn)象。

眼睛：人們在看向物體時傾向于用一只主視眼進行瞄準，這樣會導致人們的目光在進行拍攝時出現(xiàn)偏移。多數(shù)人的主視眼為右眼，而這一現(xiàn)象可能是導致視覺手性現(xiàn)象的成因。

胡子：與頭發(fā)一樣，可能與人們習慣于用右手理胡子有關。

文中對以上的視覺手性現(xiàn)象的討論均為初步的分析，而人臉中任有大量的視覺手性線索值得被發(fā)掘。

除此之外，研究人員還對數(shù)字圖像處理過程（例如去馬賽克和圖片壓縮）中產生的視覺手性現(xiàn)象進行了分析。

舉個例子，當研究人員首次利用神經網(wǎng)絡，在Instagram數(shù)據(jù)集上進行自監(jiān)督訓練時，發(fā)現(xiàn)沒有使用隨機剪裁（random cropping）的神經網(wǎng)絡。

但在部分圖片上，類激活映射所得到的熱圖更著重關注圖片的邊緣部分，如下圖所示：

而在使用隨機剪裁之后，研究人員得到的新的熱圖，則更關注來自于圖片中物體本身的線索。

研究人員提出：當數(shù)字圖像處理過程和鏡像翻轉不具備「交換律」時，視覺手性將會憑空產生在一個圖像分布上。

作者通過概率論與群論（group theory），對此假設進行了嚴謹?shù)臄?shù)學論證，并通過神經網(wǎng)絡實驗驗證了這一現(xiàn)象在互聯(lián)網(wǎng)圖片中廣泛存在。

而此類的線索往往不能被肉眼可見，卻在圖片中存在固定的模式，因而為圖像識偽的應用創(chuàng)造了可能性。

98年華人科學新秀

這項研究的第一作者，是98年生的華人科學新秀——林之秋。

林之秋17歲便考入美國“常春藤”盟?！的螤柎髮W，而這也是他「開掛人生」的開始。

林之秋僅用兩年時間就全部修完計算機和數(shù)學兩個專業(yè)的本科課程，并從大二開始選修博士課程，同時跟隨計算機系的教授從事科研工作。

他在多項專業(yè)課上，例如多元微積分、線性代數(shù)、高等抽象代數(shù)、人工智能、計算機操作系統(tǒng)等都取得過第一名。

由于成績極為優(yōu)異，自大二起林之秋就接受計算機系里邀請，以助教身份給高年級同學講課，為康奈爾科技學院編寫碩士生的預修課程，甚至在高階機器學習課上給博士生的試卷打分。

而這篇「CVPR 2020最佳論文提名」的研究，是林之秋從大二就開始著手準備的項目，這也顯示了他「超級大學霸」的真實實力。

如今，本科畢業(yè)的林之秋，總成績在學院數(shù)千名學生中名列前三，并受院長邀請在畢業(yè)典禮上代表學院舉旗。之后，他即將前往卡內基梅隆機器人學院，攻讀計算機視覺博士學位。

在此，也預祝林之秋同學，能夠在科研的道路上，繼續(xù)乘風破浪！