一片欣欣向榮背后，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的瓶頸已至。提出這個(gè)觀點(diǎn)的，不是外人，正是計(jì)算機(jī)視覺(jué)奠基者之一，約翰霍普金斯大學(xué)教授Alan Yuille，他還是霍金的弟子。

他說(shuō)，現(xiàn)在做AI不提神經(jīng)網(wǎng)絡(luò)，成果都很難發(fā)表了，這不是個(gè)好勢(shì)頭。

如果人們只追神經(jīng)網(wǎng)絡(luò)的潮流，拋棄所有老方法；如果人們只會(huì)刷榜，不去想怎樣應(yīng)對(duì)深度網(wǎng)絡(luò)的局限性，這個(gè)領(lǐng)域可能很難有更好的發(fā)展。

面對(duì)深度學(xué)習(xí)的三大瓶頸，Yuille教授給出兩條應(yīng)對(duì)之道：靠組合模型培養(yǎng)泛化能力，用組合數(shù)據(jù)測(cè)試潛在的故障。

觀點(diǎn)發(fā)表之后，引發(fā)不少的共鳴。Reddit話題熱度快速超過(guò)200，學(xué)界業(yè)界的AI科學(xué)家們也紛紛在Twitter上轉(zhuǎn)發(fā)。

Reddit網(wǎng)友評(píng)論道，以Yuille教授的背景，他比別人更清楚在深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域現(xiàn)狀如何，為什么出現(xiàn)瓶頸。

深度學(xué)習(xí)的三大瓶頸

Yuille指出，深度學(xué)習(xí)雖然優(yōu)于其他技術(shù)，但它不是通用的，經(jīng)過(guò)數(shù)年的發(fā)展，它的瓶頸已經(jīng)凸顯出來(lái)，主要有三個(gè)：

需要大量標(biāo)注數(shù)據(jù)

深度學(xué)習(xí)能夠?qū)崿F(xiàn)的前提是大量經(jīng)過(guò)標(biāo)注的數(shù)據(jù)，這使得計(jì)算機(jī)視覺(jué)領(lǐng)域的研究人員傾向于在數(shù)據(jù)資源豐富的領(lǐng)域搞研究，而不是去重要的領(lǐng)域搞研究。

雖然有一些方法可以減少對(duì)數(shù)據(jù)的依賴，比如遷移學(xué)習(xí)、少樣本學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)。但是到目前為止，它們的性能還沒(méi)法與監(jiān)督學(xué)習(xí)相比。

過(guò)度擬合基準(zhǔn)數(shù)據(jù)

深度神經(jīng)網(wǎng)絡(luò)在基準(zhǔn)數(shù)據(jù)集上表現(xiàn)很好，但在數(shù)據(jù)集之外的真實(shí)世界圖像上，效果就差強(qiáng)人意了。比如下圖就是一個(gè)失敗案例。

一個(gè)用ImageNet訓(xùn)練來(lái)識(shí)別沙發(fā)的深度神經(jīng)網(wǎng)絡(luò)，如果沙發(fā)擺放角度特殊一點(diǎn)，就認(rèn)不出來(lái)了。這是因?yàn)?，有些角度在ImageNet數(shù)據(jù)集里很少見(jiàn)。

在實(shí)際的應(yīng)用中， 如果深度網(wǎng)絡(luò)有偏差，將會(huì)帶來(lái)非常嚴(yán)重的后果。

要知道，用來(lái)訓(xùn)練自動(dòng)駕駛系統(tǒng)的數(shù)據(jù)集中，基本上從來(lái)沒(méi)有坐在路中間的嬰兒。

對(duì)圖像變化過(guò)度敏感

深度神經(jīng)網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)的對(duì)抗性攻擊很敏感，這些攻擊會(huì)對(duì)圖像造成人類難以察覺(jué)的變化，但可能會(huì)改變神經(jīng)網(wǎng)絡(luò)對(duì)一個(gè)物體的認(rèn)知。

而且，神經(jīng)網(wǎng)絡(luò)對(duì)場(chǎng)景的變化也過(guò)于敏感。比如下面的這張圖，在猴子圖片上放了吉他等物體，神經(jīng)網(wǎng)絡(luò)就將猴子識(shí)別成了人類，吉他識(shí)別成了鳥(niǎo)類。

背后的原因是，與猴子相比，人類更有可能攜帶吉他，與吉他相比，鳥(niǎo)類更容易出現(xiàn)在叢林中。

這種對(duì)場(chǎng)景的過(guò)度敏感，原因在于數(shù)據(jù)集的限制。

對(duì)于任何一個(gè)目標(biāo)對(duì)象，數(shù)據(jù)集中只有有限數(shù)量的場(chǎng)景。在實(shí)際的應(yīng)用中，神經(jīng)網(wǎng)絡(luò)會(huì)明顯偏向這些場(chǎng)景。

對(duì)于像深度神經(jīng)網(wǎng)絡(luò)這樣數(shù)據(jù)驅(qū)動(dòng)的方法來(lái)說(shuō)，很難捕捉到各種各樣的場(chǎng)景，以及各種各樣的干擾因素。

想讓深度神經(jīng)網(wǎng)絡(luò)處理所有的問(wèn)題，似乎需要一個(gè)無(wú)窮大的數(shù)據(jù)集，這就給訓(xùn)練和測(cè)試數(shù)據(jù)集帶來(lái)了巨大的挑戰(zhàn)。

為什么數(shù)據(jù)集會(huì)不夠大？

這三大問(wèn)題，還殺不死深度學(xué)習(xí)，但它們都是需要警惕的信號(hào)。

Yuille說(shuō)，瓶頸背后的原因，就是一個(gè)叫做“組合爆炸”的概念：

就說(shuō)視覺(jué)領(lǐng)域，真實(shí)世界的圖像，從組合學(xué)觀點(diǎn)來(lái)看太大量了。任何一個(gè)數(shù)據(jù)集，不管多大，都很難表達(dá)出現(xiàn)實(shí)的復(fù)雜程度。

那么，組合學(xué)意義上的大，是個(gè)什么概念？

大家想象一下，現(xiàn)在要搭建一個(gè)視覺(jué)場(chǎng)景：你有一本物體字典，要從字典里選出各種各樣的物體，把它們放到不同的位置上。

說(shuō)起來(lái)容易，但每個(gè)人選擇物體、擺放物體的方法都不一樣，搭出的場(chǎng)景數(shù)量是可以指數(shù)增長(zhǎng)的。

就算只有一個(gè)物體，場(chǎng)景還是能指數(shù)增長(zhǎng)。因?yàn)椋梢杂们姘俟值姆绞奖徽趽?；物體所在的背景也有無(wú)窮多種。

人類的話，能夠自然而然適應(yīng)背景的變化；但深度神經(jīng)網(wǎng)絡(luò)對(duì)變化就比較敏感了，也更容易出錯(cuò)：

△是的，前面出現(xiàn)過(guò)了

也不是所有視覺(jué)任務(wù)都會(huì)發(fā)生組合爆炸(Combinatorial Explosion) 。

比如，醫(yī)學(xué)影像就很適合用深度網(wǎng)絡(luò)來(lái)處理，因?yàn)楸尘吧儆凶兓罕热?，胰腺通常都?huì)靠近十二指腸。

但這樣的應(yīng)用并不常見(jiàn)，復(fù)雜多變的情況在現(xiàn)實(shí)中更普遍。如果沒(méi)有指數(shù)意義上的大數(shù)據(jù)集，就很難模擬真實(shí)情況。

而在有限的數(shù)據(jù)集上訓(xùn)練/測(cè)試出來(lái)的模型，會(huì)缺乏現(xiàn)實(shí)意義：因?yàn)閿?shù)據(jù)集不夠大，代表不了真實(shí)的數(shù)據(jù)分布。

那么，就有兩個(gè)新問(wèn)題需要重視：

1、怎樣在有限的數(shù)據(jù)集里訓(xùn)練，才能讓AI在復(fù)雜的真實(shí)世界里也有很好的表現(xiàn)？

2、怎樣在有限的數(shù)據(jù)集里，高效地給算法做測(cè)試，才能保證它們承受得了現(xiàn)實(shí)里大量數(shù)據(jù)的考驗(yàn)？

組合爆炸如何應(yīng)對(duì)？

數(shù)據(jù)集是不會(huì)指數(shù)型長(zhǎng)大的，所以要試試從別的地方突破。

可以訓(xùn)練一個(gè)組合模型，培養(yǎng)泛化能力。也可以用組合數(shù)據(jù)來(lái)測(cè)試模型，找出容易發(fā)生的故障。

總之，組合是關(guān)鍵。

訓(xùn)練組合模型

組合性 (Compositionality) 是指，一個(gè)復(fù)雜的表達(dá)，它的意義可以通過(guò)各個(gè)組成部分的意義來(lái)決定。

這里，一個(gè)重要的假設(shè)就是，一個(gè)結(jié)構(gòu)是由許多更加基本的子結(jié)構(gòu)，分層組成的；背后有一些語(yǔ)法規(guī)則。

這就表示，AI可以從有限的數(shù)據(jù)里，學(xué)會(huì)那些子結(jié)構(gòu)和語(yǔ)法，再泛化到各種各樣的情景里。

與深度網(wǎng)絡(luò)不同，組合模型 (Compositional Models) 需要結(jié)構(gòu)化的表示方式，才能讓結(jié)構(gòu)和子結(jié)構(gòu)更明確。

組合模型的推斷能力，可以延伸到AI見(jiàn)過(guò)的數(shù)據(jù)之外：推理、干預(yù)、診斷，以及基于現(xiàn)有知識(shí)結(jié)構(gòu)去回答不同的問(wèn)題。

引用Stuart German的一句話：

The world is compositional or God exists.

世界是組合性的，不然，上帝就是存在的。

雖然，深度神經(jīng)網(wǎng)絡(luò)也有些組合性：高級(jí)特征是由低級(jí)特征的響應(yīng)組成的；但在本文所討論的意義上，深度神經(jīng)網(wǎng)絡(luò)并不是組合性的。

組合模型的優(yōu)點(diǎn)已經(jīng)在許多視覺(jué)任務(wù)里面體現(xiàn)了：比如2017年登上Science的、用來(lái)識(shí)別CAPTCHA驗(yàn)證碼的模型。

還有一些理論上的優(yōu)點(diǎn)，比如可解釋，以及可以生成樣本。這樣一來(lái)，研究人員就更加容易發(fā)現(xiàn)錯(cuò)誤在哪，而不像深度神經(jīng)網(wǎng)絡(luò)是個(gè)黑盒，誰(shuí)也不知道里面發(fā)生了什么。

但要學(xué)習(xí)組合模型，并不容易。因?yàn)檫@里需要學(xué)習(xí)所有的組成部分和語(yǔ)法；

還有，如果要通過(guò)合成 (Synthesis) 來(lái)作分析，就需要有生成模型(Generative Models) 來(lái)生成物體和場(chǎng)景結(jié)構(gòu)。

就說(shuō)圖像識(shí)別，除了人臉、字母等等少數(shù)幾種很有規(guī)律的圖案之外，其他物體還很難應(yīng)付：

從根本上說(shuō)，要解決組合爆炸的問(wèn)題，就要學(xué)習(xí)3D世界的因果模型(Causal Models) ，以及這些模型是如何生成圖像的。

有關(guān)人類嬰兒的研究顯示，他們是通過(guò)搭建因果模型來(lái)學(xué)習(xí)的，而這些模型可以預(yù)測(cè)他們生活環(huán)境的結(jié)構(gòu)。

對(duì)因果關(guān)系的理解，可以把從有限數(shù)據(jù)里學(xué)到的知識(shí)，有效擴(kuò)展到新場(chǎng)景里去。

在組合數(shù)據(jù)里測(cè)試模型

訓(xùn)練過(guò)后，該測(cè)試了。

前面說(shuō)過(guò)，世界那么復(fù)雜，而我們只能在有限的數(shù)據(jù)上測(cè)試算法。

要處理組合數(shù)據(jù) (Combinatorial Data) ，博弈論是一種重要的方法：它專注于最壞情況(Worst Case) ，而不是平均情況 (Average Case) 。

就像前面討論過(guò)的那樣，如果數(shù)據(jù)集沒(méi)有覆蓋到問(wèn)題的組合復(fù)雜性，用平均情況討論出的結(jié)果可能缺乏現(xiàn)實(shí)意義。

而關(guān)注最壞情況，在許多場(chǎng)景下都是有意義的：比如自動(dòng)駕駛汽車(chē)的算法，比如癌癥診斷的算法。因?yàn)樵谶@些場(chǎng)景下，算法故障可能帶來(lái)嚴(yán)重的后果。

如果，能在低維空間里捕捉到故障模式 (Failure Modes) ，比如立體視覺(jué)的危險(xiǎn)因子 (Hazard Factors) ，就能用圖形和網(wǎng)格搜索來(lái)研究這些故障。

但是對(duì)于大多數(shù)視覺(jué)任務(wù)，特別是那些涉及組合數(shù)據(jù)的任務(wù)，通常不會(huì)有能找出幾個(gè)危險(xiǎn)因子、隔離出來(lái)單獨(dú)研究的簡(jiǎn)單情況。

△對(duì)抗攻擊：稍稍改變紋理，只影響AI識(shí)別，不影響人類

有種策略，是把標(biāo)準(zhǔn)對(duì)抗攻擊(Adversarial Attacks) 的概念擴(kuò)展到包含非局部結(jié)構(gòu)(Non-Local Structure) ，支持讓圖像或場(chǎng)景發(fā)生變化的復(fù)雜運(yùn)算，比如遮擋，比如改變物體表面的物理性質(zhì)，但不要對(duì)人類的認(rèn)知造成重大改變。

把這樣的方法應(yīng)用到視覺(jué)算法上，還是很有挑戰(zhàn)性的。

不過(guò)，如果算法是用組合性(Compositional) 的思路來(lái)寫(xiě)，清晰的結(jié)構(gòu)可能會(huì)給算法故障檢測(cè)帶來(lái)很大的幫助。

關(guān)于Alan Yuille

Alan Yuille，目前就職于約翰霍普金斯大學(xué)，是認(rèn)知科學(xué)和計(jì)算機(jī)科學(xué)的杰出教授。

1976年，在劍橋大學(xué)數(shù)學(xué)專業(yè)獲得學(xué)士學(xué)位。之后師從霍金，在1981年獲得理論物理博士學(xué)位。

畢業(yè)之后，轉(zhuǎn)而開(kāi)拓計(jì)算機(jī)視覺(jué)領(lǐng)域。并先后就職于麻省理工學(xué)院的人工智能實(shí)驗(yàn)室，哈佛大學(xué)計(jì)算機(jī)系等等學(xué)術(shù)機(jī)構(gòu)。

2002年加入U(xiǎn)CLA，之后擔(dān)任視覺(jué)識(shí)別與機(jī)器學(xué)習(xí)中心主任，同時(shí)也在心理學(xué)系，計(jì)算機(jī)系，精神病學(xué)和生物行為學(xué)系任客座教授。

2016年，加入約翰霍普金斯大學(xué)。

他曾獲得ICCV的最佳論文獎(jiǎng)，2012年，擔(dān)任計(jì)算機(jī)視覺(jué)頂級(jí)會(huì)議CVPR的主席，計(jì)算機(jī)視覺(jué)界的奠基人之一。

此外，Alan Yuille也直接影響了中國(guó)AI的發(fā)展，其嫡系弟子朱瓏博士學(xué)成后，回國(guó)創(chuàng)辦了AI公司依圖科技，現(xiàn)在也是中國(guó)CV領(lǐng)域最知名的創(chuàng)業(yè)公司之一。

這篇文章中的觀點(diǎn)，出自Yuille在2018年5月發(fā)表的一篇論文，共同作者是他的博士生Chenxi Liu，在今年一月份，他們對(duì)這篇論文進(jìn)行了更新。