視覺是人類最敏感、最直接的感知方式，在不進行實際接觸的情況下，視覺感知可以使得我們獲取周圍環(huán)境的諸多信息。由于生物視覺系統(tǒng)非常復雜，目前還不能使得某一機器系統(tǒng)完全具備這一強大的視覺感知能力。

當下，機器視覺的目標，即構建一個在可控環(huán)境中處理特定任務的機器視覺系統(tǒng)。由于工業(yè)中的視覺環(huán)境可控，并且處理任務特定，所以現(xiàn)如今大部分的機器視覺被應用在工業(yè)當中。 人類視覺感知是通過眼睛視網(wǎng)膜的椎體和桿狀細胞對光源進行捕捉，而后由神經(jīng)纖維將信號傳遞至大腦視覺皮層，形成我們所看到的圖像，而機器視覺卻不然。 機器視覺系統(tǒng)的輸入是圖像，輸出是對這些圖像的感知描述。這組描述與這些圖像中的物體或場景息息相關，并且這些描述可以幫助機器來完成特定的后續(xù)任務，指導機器人系統(tǒng)與周圍的環(huán)境進行交互。 那么，迄今為止，主流的機器視覺技術又有哪些呢?

01中流砥柱：卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是目前計算機視覺中使用最普遍的模型結構。 引入卷積神經(jīng)網(wǎng)絡進行特征提取，既能提取到相鄰像素點之間的特征模式，又能保證參數(shù)的個數(shù)不隨圖片尺寸變化。上圖是一個典型的卷積神經(jīng)網(wǎng)絡結構，多層卷積和池化層組合作用在輸入圖片上，在網(wǎng)絡的最后通常會加入一系列全連接層，ReLU激活函數(shù)一般加在卷積或者全連接層的輸出上，網(wǎng)絡中通常還會加入Dropout來防止過擬合。 自2012年AlexNet在ImageNet比賽上獲得冠軍，卷積神經(jīng)網(wǎng)絡逐漸取代傳統(tǒng)算法成為了處理計算機視覺任務的核心。 在這幾年，研究人員從提升特征提取能力，改進回傳梯度更新效果，縮短訓練時間，可視化內部結構，減少網(wǎng)絡參數(shù)量，模型輕量化, 自動設計網(wǎng)絡結構等這些方面，對卷積神經(jīng)網(wǎng)絡的結構有了較大的改進，逐漸研究出了AlexNet、ZFNet、VGG、NIN、GoogLeNet和Inception系列、ResNet、WRN和DenseNet等一系列經(jīng)典模型，MobileNet系列、ShuffleNet系列、SqueezeNet和Xception等輕量化模型。

01

經(jīng)典模型（AlexNet）

AlexNet是第一個深度神經(jīng)網(wǎng)絡，其主要特點包括：

使用ReLU作為激活函數(shù)；

提出在全連接層使用Dropout避免過擬合。注：當BN提出后，Dropout就被BN替代了；

由于GPU顯存太小，使用了兩個GPU，做法是在通道上分組；。

使用局部響應歸一化(Local Response Normalization --LRN)，在生物中存在側抑制現(xiàn)象，即被激活的神經(jīng)元會抑制周圍的神經(jīng)元。在這里的目的是讓局部響應值大的變得相對更大，并抑制其它響應值相對比較小的卷積核。例如，某特征在這一個卷積核中響應值比較大，則在其它相鄰卷積核中響應值會被抑制，這樣一來卷積核之間的相關性會變小。LRN結合ReLU，使得模型提高了一點多個百分點；

使用重疊池化。作者認為使用重疊池化會提升特征的豐富性，且相對來說會更難過擬合。

02

集大成之作（ResNet）

一般而言，網(wǎng)絡越深越寬會有更好的特征提取能力，但當網(wǎng)絡達到一定層數(shù)后，隨著層數(shù)的增加反而導致準確率下降，網(wǎng)絡收斂速度更慢。 傳統(tǒng)的卷積網(wǎng)絡在一個前向過程中每層只有一個連接，ResNet增加了殘差連接從而增加了信息從一層到下一層的流動。FractalNets重復組合幾個有不同卷積塊數(shù)量的并行層序列，增加名義上的深度，卻保持著網(wǎng)絡前向傳播短的路徑。 相類似的操作還有Stochastic depth和Highway Networks等。這些模型都顯示一個共有的特征，縮短前面層與后面層的路徑，其主要的目的都是為了增加不同層之間的信息流動。

02 后起之秀：Transformers

Transformer是一種self-attention(自注意力)模型架構。 ? 2017年之后在NLP領域取得了很大的成功，尤其是序列到序列(seq2seq)任務，如機器翻譯和文本生成。2020年，谷歌提出pure transformer結構ViT ，在ImageNet分類任務上取得了和CNN可比的性能。之后大量ViT衍生的Transformer架構在ImageNet上都取得了成功。 ? Transformer 與 CNN相比優(yōu)點是具有較少的歸納性與先驗性，因此可以被認為是不同學習任務的通用計算原語，參數(shù)效率與性能增益與 CNN 相當。不過缺點是在預訓練期間，對大數(shù)據(jù)機制的依賴性更強，因為 Transformer 沒有像 CNN 那樣定義明確的歸納先驗。因此當下出現(xiàn)了一個新趨勢：當 self-attention 與 CNN 結合時，它們會建立強大的基線?( BoTNet )。 ? Vision Transformer(ViT)將純Transformer架構直接應用到一系列圖像塊上進行分類任務，可以取得優(yōu)異的結果。它在許多圖像分類任務上也優(yōu)于最先進的卷積網(wǎng)絡，同時所需的預訓練計算資源大大減少。 ? DETR是第一個成功地將Transformer作為pipeline中的主要構建塊的目標檢測框架。它與以前的SOTA方法(高度優(yōu)化的Faster R-CNN)的性能匹配，具有更簡單和更靈活的pipeline。 ? Transformer的變體模型是目前的研究熱點，主要分為以下幾個類型： ?

模型輕量化

加強跨模塊連接

自適應的計算時間

引入分而治之的策略

循環(huán)Transformers

等級化的Transformer

03欺騙機器的眼睛——對抗性展示

最近引起研究界注意的一個問題是這些系統(tǒng)對對抗樣本的敏感性。 一個對抗性的例子是一個嘈雜的圖像，旨在欺騙系統(tǒng)做出錯誤的預測。為了在現(xiàn)實世界中部署這些系統(tǒng)，它們必須能夠檢測到這些示例。為此，最近的工作探索了通過在訓練過程中包含對抗性示例來使這些系統(tǒng)更強對抗性攻擊的可能性。 現(xiàn)階段對模型攻擊的分類主要分為兩大類，即攻擊訓練階段和推理階段。

01

訓練階段的攻擊

訓練階段的攻擊(Training in Adversarial Settings)，主要的方法就是針對模型的參數(shù)進行微小的擾動，從而達到讓模型的性能和預期產(chǎn)生偏差的目的。 例如直接通過對于訓練數(shù)據(jù)的標簽進行替換，讓數(shù)據(jù)樣本和標簽不對應，從而最后訓練的結果也一定與預期的產(chǎn)生差異，或者通過在線的方式獲得訓練數(shù)據(jù)的輸入權，操縱惡意數(shù)據(jù)來對在線訓練過程進行擾動，最后的結果就是產(chǎn)出脫離預期。

02

推理階段的攻擊

推理階段的攻擊(Inference in Adversarial Settings)，是當一個模型被訓練完成后，可以將該模型主觀的看作是一個盒子，如果該盒子對我們來說是透明的則可以將其看成“白盒”模型，若非如此則看成“黑盒”模型。 所謂的“白盒攻擊”，就是我們需要知道里面所有的模型參數(shù)，但這在實際操作中并不現(xiàn)實，卻有實現(xiàn)的可能，因此我們需要有這種前提假設。黑盒攻擊就比較符合現(xiàn)實生活中的場景：通過輸入和輸出猜測模型的內部結構;加入稍大的擾動來對模型進行攻擊;構建影子模型來進行關系人攻擊;抽取模型訓練的敏感數(shù)據(jù);模型逆向參數(shù)等等。 對抗攻擊的防御機制。抵御對抗樣本攻擊主要是基于附加信息引入輔助塊模型(AuxBlocks)進行額外輸出來作為一種自集成的防御機制，尤其在針對攻擊者的黑盒攻擊和白盒攻擊時，該機制效果良好。除此之外防御性蒸餾也可以起到一定的防御能力，防御性蒸餾是一種將訓練好的模型遷移到結構更為簡單的網(wǎng)絡中，從而達到防御對抗攻擊的效果。 對抗學習的應用舉例：自動駕駛 自動駕駛是未來智能交通的發(fā)展方向，但在其安全性獲得完全檢驗之前，人們還難以信任這種復雜的技術。雖然許多車企、科技公司已經(jīng)在這一領域進行了許多實驗，但對抗樣本技術對于自動駕駛仍然是一個巨大的挑戰(zhàn)。幾個攻擊實例：對抗攻擊下的圖片中的行人在模型的面前隱身，對抗樣本使得模型“無視”路障；利用 AI 對抗樣本生成特定圖像并進行干擾時，特斯拉的 Autopilot 系統(tǒng)輸出了「錯誤」的識別結果，導致車輛雨刷啟動；在道路的特定位置貼上若干個對抗樣本貼紙，可以讓處在自動駕駛模式的汽車并入反向車道；在Autopilot 系統(tǒng)中，通過游戲手柄對車輛行駛方向進行控制;對抗樣本使得行人對于機器學習模型“隱身”。

04自學也能成才：自監(jiān)督學習

深度學習需要干凈的標記數(shù)據(jù)，這對于許多應用程序來說很難獲得。 注釋大量數(shù)據(jù)需要大量的人力勞動，這是耗時且昂貴的。此外，數(shù)據(jù)分布在現(xiàn)實世界中一直在變化，這意味著模型必須不斷地根據(jù)不斷變化的數(shù)據(jù)進行訓練。自監(jiān)督方法通過使用大量原始未標記數(shù)據(jù)來訓練模型來解決其中的一些挑戰(zhàn)。在這種情況下，監(jiān)督是由數(shù)據(jù)本身(不是人工注釋)提供的，目標是完成一個間接任務。間接任務通常是啟發(fā)式的(例如，旋轉預測)，其中輸入和輸出都來自未標記的數(shù)據(jù)。定義間接任務的目標是使模型能夠學習相關特征，這些特征稍后可用于下游任務(通常有一些注釋可用)。 自監(jiān)督學習是一種數(shù)據(jù)高效的學習范式。 監(jiān)督學習方法教會模型擅長特定任務。另一方面，自監(jiān)督學習允許學習不專門用于解決特定任務的一般表示，而是為各種下游任務封裝更豐富的統(tǒng)計數(shù)據(jù)。在所有自監(jiān)督方法中，使用對比學習進一步提高了提取特征的質量。自監(jiān)督學習的數(shù)據(jù)效率特性使其有利于遷移學習應用。 目前的自監(jiān)督學習領域可大致分為兩個分支。 一個是用于解決特定任務的自監(jiān)督學習，例如上次討論的場景去遮擋，以及自監(jiān)督的深度估計、光流估計、圖像關聯(lián)點匹配等。另一個分支則用于表征學習。有監(jiān)督的表征學習，一個典型的例子是ImageNet分類。而無監(jiān)督的表征學習中，最主要的方法則是自監(jiān)督學習。 自監(jiān)督學習方法依賴于數(shù)據(jù)的空間和語義結構，對于圖像，空間結構學習是極其重要的，因此在計算機視覺領域中的應用廣泛。 一種是將旋轉、拼接和著色在內的不同技術被用作從圖像中學習表征的前置任務。對于著色，將灰度照片作為輸入并生成照片的彩色版本。另一種廣泛用于計算機視覺自監(jiān)督學習的方法是放置圖像塊。一個例子包括 Doersch 等人的論文。在這項工作中，提供了一個大型未標記的圖像數(shù)據(jù)集，并從中提取了隨機的圖像塊對。在初始步驟之后，卷積神經(jīng)網(wǎng)絡預測第二個圖像塊相對于第一個圖像塊的位置。還有其他不同的方法用于自監(jiān)督學習，包括修復和判斷分類錯誤的圖像。 05結語 自2012年AlexNet問世這十年來，機器視覺領域的技術可以說是日新月異。機器視覺在諸多領域也逐漸接近甚至超越了我們人類的眼睛。隨著技術的不斷進步，機器視覺技術也一定會變得更加的強大，無論是安全防護、自動駕駛、缺陷檢測還是目標識別等領域，相信機器視覺會帶給我們更多的驚喜。
責任編輯：彭菁