CVPR 2022大会主席、港科大教授权龙：计算机视觉的现状与未来

来源：AI科技评论

本文约5200字，建议10+分钟。

权龙教授发表了题为《三维视觉重新定义人工智能安防》的演讲。

近日，由雷锋网主办的第二届中国人工智能安防峰会在杭州召开。

峰会现场，香港科技大学教授，CVPR 2022、ICCV 2011大会主席，Altizure创始人权龙教授发表了题为《三维视觉重新定义人工智能安防》的演讲。

权教授表示，人工智能的核心是视觉，视觉定义了智能安防，但现在的视觉仍局限在二维识别层面，未来三维视觉重建将会成为最重要的任务, 它也将重新定义智能安防。

权教授也谈到，现在计算机视觉本质上是大数据统计意义上的分类与识别。

“我们的终极目标是对图像的理解，也就是认知，但当前的计算机视觉只处于感知阶段，我们并不知如何理解，计算机视觉一直是要探索最基础的视觉特征，这一轮视觉卷积神经网络CNN本质上重新定义了计算机视觉的特征。但人类是生活在三维环境中的双目动物，这使得人类生物视觉的识别不只是识别，同时也包括三维感知与环境交互。”

“因此我们要和三维打交道，二维识别所能做的事，在当前众多复杂场景中，是远远不够的。但三维重建不是最终目的，而且是要把三维重建和识别融为一体。”

以下为权龙教授的现场演讲内容，我们作了不改变原意的编辑及整理：

感谢邀请，今天我主要分享下现阶段计算机视觉的现状与未来发展方向，以及三维视觉在人工智能安防中的应用。

我们知道，现在AI安防的核心，本质上是计算机视觉，而计算机视觉分为两大部分，分别是识别和重建。

“识别”是现在非常热门的方向，相比而言，大家对“重建”的理解却并没有那么透彻。我们需要知道这一点，计算机视觉不止局限于识别，三维重建在其中扮演的角色甚至更为重要。

这是三维重建和安防融合的实际案例：

这些景物都是由三维构建，我们把实时视频投影到三维，用户在界面上也可以“前、后、左、右”拖动操作。

接下来我要讲的是当前计算机视觉存在的问题，以及为何三维视觉将重新定义计算机视觉，并且重新定义人工智能安防。

人工智能的本质上是让计算机去听、看、读，在所有的信息里面，视觉信息占了所有感官的80%，所以视觉基本上是现代人工智能的核心。

对我们来说，其实并没有泛泛的人工智能，人工智能需要具体根据技术维度和场景维度，区分开来看，人工智能的发展、革命和应用落地，一定是取决于以及受限于计算机视觉发展、革命和应用。

而人工智能安防也同样是伴随着计算机视觉的发展而崛起。

2012年是非常重要的一年，当时在ImageNet比赛中，有团队用卷积神经网络CNN把图像识别准确率从75%提高到了85%，这件“非常小”的事情带动了这一轮深度学习之下的人工智能，所以我们也可把2012年称作是这轮以深度学习为代表的人工智能元年。

这件事再回到1998年，那个年代Yann Lecun已经发表了卷积神经网络LeNet，这个网络呢，首先它输入的图像比较小，只黑白单通道32*32，只能识别出一些字符和字母；因为也没有GPU，所以当时整个网络也只有60万的参数。

到了2012年卷积神经网络复活出现了AlexNet。AlexNet和1998年LeNet的卷积神经网络相比，它的内部结构基本不变，但可输入的图像尺寸不一样：1998年的模型，输入尺寸为32*32，且只有一个通道。新的模型输入尺寸已经扩大到了224*224，而且有三个通道。最关键的是里面有了GPU，当时的训练用到了两块GPU，参数达到将近6000万。

这么多年来计算机视觉的卷积神经网络，算法和结构，基本的结构变化是很小的。

但1998年到2012年这十五年来发生了两件特别重要的事：一是英伟达研发了GPU；第二就是李飞飞创建了ImageNet，她把几百万张照片发到网络上并发动群众做了标注。也正是因为算力和数据，才创造了AlexNet的成就。

到了2015年，机器视觉的识别率基本超越了人类。其实人类在识别方面并没有那么强，我们的记忆非常容易犯错误。根据统计，人类在分类上的错误率达到了5%。而机器，从2015年之后你们看各种ImageNet在公开域数据集上的错误率已经远远低于5%。

但为什么ImageNet在两年前停止了比赛，因为现在比拼的基本上都是靠算力和数据。

2015年随着卷积神经网络下的人工智能技术的成熟，AI也到达了一定的巅峰，计算机视觉或者说更宽泛的安防市场也被重新定义。

也在这一时期，旷视、商汤这几家做视觉的公司进入了安防市场。

从2012年到2019年的7年间，所有的数据又都翻了一千倍，计算速度比以前快一千倍，模型也比以前大一千倍。2012年训练AlexNet模型需要使用两块GPU，花费两个星期；今天做同样的事情只需要一块DGX-2，十几分钟就能完成。

从整个模型的参数来看，2012年的AlexNet已非常可观，6000万的参数非常庞大，这个数字我们当时都不敢想象。到今天这个网络又要放大千倍，达到十亿级的参数量。但是从算法、架构来说，现在基本上都是标准的卷积神经网络，其实并没有太大的进步。

我们也可以想一下，计算机视觉里面的识别到底能够达到什么程度？其实它并没有那么强，它只是在一个大数据统计意义上的识别而已。

大家都听说过无监督学习，但无监督学习的结果和应用的场景并不是太多。现在可用的、做的好的也就是可监督的，也就是CNN。

我简要概括下，现在的计算机视觉就是基于卷积神经网络而来，整个CNN的架构非常简单，能做的事其实也没那么多，它提取了高维的特征，然后要结合其它方法解决视觉问题。

如果你有足够的数据并且能够明确定义你想要的东西，CNN的效果很好，但是它有没有智能？其实没有。

你说它蠢，它跟以前一样蠢。它能识别出猫和狗，但我们要知道猫和狗的分类都是我们人类自己定义的，我们可以把猫和狗分开，也可以把复杂的狗类动物进行聚合和分类，这些东西本质上来说并不是客观的，而是主观的。

我们做计算机视觉研究的理想，是让机器进行理解图像。如何让它进行理解？这非常的困难，直到现在也没有人知道它怎么去进行理解。现在它能做的，只能做到认知。我们研究计算机视觉的目的是得到视觉特征，有了视觉特征后才能开展一系列工作。

为什么视觉特征如此重要？在语音识别领域，语音的特征已经定义得非常清晰——音素。但如果我们拿来一个图像，问它最重要的视觉特征是什么，答案并不明确。大家知道图像包含像素，但像素并不是真正的特征。像素只是一个数字化的载体，将图像进行了数字化的表述。计算机视觉的终极目标就是寻找行之有效的视觉特征。

在这样一个拥有视觉特征前提之下，计算机视觉也只有两个现实目的，一个是识别，另一个是三维重建。

它们的英文单词都以“re”做前缀，说明这是一个反向的问题。

计算机视觉不是一个很好定义(ill-posed)的问题，没有一个完美的答案或方法。

这一轮的卷积神经网络(CNN)最本质的一件事是重新定义了计算机视觉的特征。在此之前，所有的特征都是人工设计的。今天CNN学来的东西，它学到特征的维度动辄几百万，在以前没有这类网络的情况下是根本做不到的。

纵使CNN的特征提取能力极其强，但是我们不要忘记建立在CNN基础上的计算机视觉是单目识别，而人类是双目。我们的现实世界是在一个三维空间，我们要和三维打交道。拿着二维图像去做识别，这远远不够。

在双目视觉下，要包含深度、视差和重建三个概念，它们基本等价，使用哪个词汇取决你处在哪个群体。

传统意义上，三维重建是在识别之前，它是一个最本质的问题，三维视觉里面也要用到识别，但是它的识别是对同样物体在不同视角下的识别，所以说它的识别是更好定义(well-posed) 的一个识别，也叫匹配。

双目视觉对整个生物世界的等级划分是非常严格的。大家知道马的眼睛往外看，对角的部分才有可能得到一部分三维信息，但它的三维视角非常小，不像人类。鱼的眼睛也是往两边看的，它的主要视线范围是单目的，它能看到的双目视区也是非常狭窄的一部分。

人类有两只眼睛，通过两只眼睛才能得到有深度的三维信息。当然，通过一只移动的眼睛，也可以获得有深度的信息。

获取深度信息的挑战很大，它本质上是一个三角测量问题。第一步需要将两幅图像或两只眼睛感知到的东西进行匹配，也就是识别。这里的“识别”和前面有所不同，前面提到的是有标注情况下的识别，这里的“识别”是两幅图像之间的识别，没有数据库。它不仅要识别物体，还要识别每一个像素，所以对计算量要求非常高。

在生物世界里，双目视觉非常重要，哺乳动物都有双目视觉，而且越凶猛的食肉的动物双目重叠的区域越大，用双目获得的深度信息去主动捕捉猎物。吃草的或被吃的动物视觉单目视觉，视野很宽，只有识别而无深度，目的是被进攻时跑得快！

在这一轮的CNN之前，计算机视觉里面研究最多的是三维重建这样的问题，在CNN之前有非常好的人工设计的视觉特征，这些东西本质上最早都是为三维重建而设计，例如SIFT特征。而在这之后的“识别”，只是把它放在一个没有结构的图像数据库里去搜索而已。 由此可见，现代三维视觉是由三维重建所定义。CNN诞生之前，它曾是视觉发展的主要动力源于几何，因为它的定义相对清晰。

我们再来看一下当今的三维重建技术的现状和挑战。

三维视觉既有理论又有算法，一部分是统计，另外一部分则是确定性的，非统计，也就是传统的应用数学。

计算机视觉中的三维重建包含三大问题：

• 定位置。假如我给出一张照片，计算机视觉要知道这张照片是在什么位置拍的。

• 多目。通过多目的视差获取三维信息，识别每一个像素并进行匹配，进行三维重建。

• 语义识别。完成几何三维重建后，要对这个三维信息进行语义识别，这是重建的最终目的。

这里我再强调下，我们要把三维场景重新捕捉，但三维重建不是最终的目的，你要把识别加进去，所以说最终的应用肯定要把三维重建和识别融为一体。

现在三维重建的主要挑战是，算力不够，而且采集也比较困难。我举个例子，我们安防场景识别一个摄像头比较容易，但如果实时重建N个摄像头的实景，这对算力要求非常高。这些限制也使得当前的单目应用比较多，但我认为，未来双目一定会成趋势。

在深度学习的影响下，三维重建已经取得了比较大的成就。CNN在2012年之后的几年内，对三维重建的影响不是很大。但是从2017年开始，CNN就对三维重建产生了重要的影响。在三维重建领域有一个数据集叫KITTI，从2017年，我们开始用三维卷积神经网络。

以前是把它作为一个跟识别有关系的二维CNN，更现代的双目算法都是基于完整的三维卷积神经网络。现阶段三维卷积神经网络的表现也非常强，给任何两幅图像，错误率只有百分之2到3。

现在计算机视觉覆盖的应用场景，被计算机视觉重新定义，但这些应用也受制于计算机视觉的技术瓶颈。

虽然计算机视觉对安防行业的推动作用很大，但基本也不外乎识别人脸、车、物体等应用，如果计算机视觉得到进一步发展，安防行业也将再度被重新定义。

而我认为，三维视觉将对安防产生非常深远的影响。

三维重建在安防领域的应用，第一个是大规模城市级别的三维重建。

每个大型城市动辄都百万级的摄像头，把摄像头融合在这样的一个实景三维场景里，才可达到城市级管控的效果，这是AI安防最理想化的形态。

现在政府都在通过一张实景图对城市进行治理，这张图以前是二维的，但今后一定是实景的，是三维的。

我们港科大的三维视觉初创公司Altizure就是一家做城市级别的实景三维重建和平台企业，大规模重建有两方面非常有挑战性：

• 第一是因为它的数据量非常大，我们现在建模动辄百万级的高清图像，要有强大的分布式以及并行算法，几个星期才能做完。

• 第二就是可视化，一张实景图的展示也特别有挑战性，因为一张实景图数据量非常大，即便是在任何一个端口的浏览实景三维都是非常有挑战性的。

现时只有Altizure可以应对这个挑战。

我们做的一个典型案例就是为深圳坪山区布局了时空信息云平台，我们对坪山的大片住宅区域进行了三维重建，后台用户可在三维实景图像上进行“上、下放大“以及”前、后、左、右”拖拽移动，来查看区域实景。

后台用户也可用鼠标在三维实景图像中选取部分区域，然后这一区域的各个重点视频监控画面便在大屏幕中一一实时展示。坪山第一期项目的实时监控视频显示，与常规的视频监控后台呈现效果相似，总体更为传统一些。

而在二期和三期，我们开始可以把所有的视频在三维平台上进行展示。

现在深圳已经有很多区在布局这类实景三维立体时空信息平台。

有了这样的平台，不仅是视频，其实还有一些别的数据也是可以加进去应用。

这个总控系统，集成了景区的监控摄像，闸机，商店，wifi等公共设施，实时可视化人流、电瓶车位置。三维实景给景区总控和下一步游客的导览带来了便利。

下图是我们在广州做第一个案例，对历史建筑进行保护以及城市规划。

Altizure实景三维视觉平台现在已经有180个国家的实景三维内容和30万专业用户。

我们的香港科技大学计算机视觉实验室和初创公司Altizure 在全球引领视觉三维重建的研究与应用。我们的目的并不是为刷榜而刷榜，但在一些关键的三维榜单，我们从去年四月以来一直稳居榜首！

最后总结一下，计算机视觉中的“识别”定义了智能安防，但现在的“视觉”和“识别”仍局限在二维，三维重建是未来计算机视觉中最为重要的任务，因此三维重建也将重新定义人工智能以及智能安防。

现在的视觉研究，同质化现象非常明显。

我们在八十年代就开始做人工智能了，今天的现状，有点像是历史重演，计算机视觉的本质跟以往并没什么差别，只是大家用的硬件工具不一样。

计算机视觉虽然正处于黄金时期 ，但它的发展还是非常有局限性的，我认为，所谓的通用人工智能和通用计算机视觉还遥遥无期。

谢谢大家！

编辑：黄继彦

校对：林亦霖