人工智能先驅(qū)阿蘭.圖靈曾設(shè)想過這樣一個機器，它擁有電子的大腦，以攝像頭為眼睛，以輪為腳，可以在鄉(xiāng)間漫步，這其實是阿蘭.圖靈對人工智能走入生活的一個憧憬。而在很長的時間之內(nèi)，由于硬件條件的不成熟，智能只能從無形的算法入手，隨著深度學(xué)習(xí)研究的深入，在很多領(lǐng)域都取得了里程碑式的進(jìn)展。

然而，要想讓人工智能真正融入人們的生活，則亟需解決算法在端側(cè)落地的問題，而芯片，作為銜接算法與場景之間的橋梁，無可避免地成為了一大挑戰(zhàn)。

本文中，地平線聯(lián)合創(chuàng)始人、美國西北大學(xué)楊銘博士，來和大家分享“在芯片上加速神經(jīng)網(wǎng)絡(luò)用于視覺任務(wù)的挑戰(zhàn)”。

非常高興來到VALSE，來到美麗的大連，首先和大家分享一下人工智能芯片的話題，另外介紹一下地平線在最近兩年做的工作。由于最近的熱點新聞，大家對芯片這個話題比較感興趣，希望今天的分享能給大家一個概念：為什么人工智能芯片非常重要，它的研發(fā)具有哪些挑戰(zhàn)，都需要做哪些工作。

這是我要分享的幾個要點，先簡介一下地平線，接著介紹一下AI芯片的背景，包括AI芯片研發(fā)的必要性，以及現(xiàn)在主流的AI芯片的類型和選擇。隨后會介紹關(guān)于AI芯片的兩個主要研究，一個是Google TPU的第一代，這應(yīng)該是目前公開資料最多的AI芯片，另一個是地平線研發(fā)的BPU，最后是關(guān)于AI芯片的一個總結(jié)。

地平線機器人成立于2015年，我們的愿景是希望能夠成為嵌入式人工智能的領(lǐng)導(dǎo)者，為大家提供高性能、低功耗、低成本、完整開放的嵌入式人工智能解決方案。主要業(yè)務(wù)面向智能駕駛、智慧城市、智慧零售等應(yīng)用場景，為多種終端設(shè)備裝上人工智能“大腦”，讓它們具有從感知、交互、理解到?jīng)Q策的智能，賦能萬物，讓每個人的生活更方便、更安全、更美好。

從2015年7月開始運作，目前地平線已經(jīng)成長為500人左右的公司，總部位于首都北京，主要進(jìn)行算法研發(fā)、硬件研發(fā)、芯片研發(fā)；2016年在南京成立了第二個研發(fā)基地，包括應(yīng)用開發(fā)、硬件開發(fā)；2017年在上海成立了第三個研發(fā)中心，主要目標(biāo)是把自動駕駛產(chǎn)品和方案落地，同時在深圳也有一個分部，主要負(fù)責(zé)完成客戶支持、銷售服務(wù)工作。

地平線的主要核心團(tuán)隊都具有計算機視覺與機器學(xué)習(xí)的背景，我們選擇了從計算機視覺出發(fā)轉(zhuǎn)向于硬件芯片開發(fā)。余凱博士是CEO創(chuàng)始人，黃暢博士負(fù)責(zé)基礎(chǔ)算法的研發(fā)，吳強博士是在計算機體系結(jié)構(gòu)以及云端后臺服務(wù)器的專家，也負(fù)責(zé)南京所有的研發(fā)工作。

首先談?wù)勎覀優(yōu)槭裁葱枰斯ぶ悄埽吭诮?jīng)歷了PC互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)時代以后，未來10年最大的可能就是讓萬事萬物所有的設(shè)備本身都具備互聯(lián)能力和智能功能。什么是智能功能？就是能夠自主感受環(huán)境，能夠根據(jù)感受環(huán)境的結(jié)果自主做出判斷和控制。相信在未來的10年、20年，包括無人車、無人機，也包括攝像頭和玩具，所有這些設(shè)備慢慢都會具有智能功能，都會具有自主判斷能力，同時這些設(shè)備都會對人工智能提出更高的要求。過去的10年，由于人工神經(jīng)網(wǎng)絡(luò)重新煥發(fā)出活力，為我們解決這些人工智能問題提供了可能。

近幾年來，神經(jīng)網(wǎng)絡(luò)基本改變了我們對人工智能問題解決的范式，現(xiàn)在的基本模式是，數(shù)據(jù)入、結(jié)果出，由神經(jīng)網(wǎng)絡(luò)解決問題，只要能夠定義好數(shù)據(jù)格式，標(biāo)注好數(shù)據(jù)，就很有可能在短時間內(nèi)得到不錯的解決方案，這也是人工智能被廣泛關(guān)注的重要原因。

同時，我們發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)是一種非常靈活的建模語言，可以有效描述各種問題，之前的嘉賓也都談到它確實能解決很多不同領(lǐng)域的問題。

神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)正在慢慢改變著很多行業(yè)，首先是互聯(lián)網(wǎng)行業(yè)的廣告搜索業(yè)務(wù)，之后是語音識別、圖像識別，在金融領(lǐng)域也開始應(yīng)用神經(jīng)網(wǎng)絡(luò)。近兩年來，自動駕駛領(lǐng)域、醫(yī)學(xué)圖像識別、工業(yè)控制領(lǐng)域都逐步應(yīng)用了神經(jīng)網(wǎng)絡(luò)技術(shù)。

大規(guī)模地應(yīng)用深度學(xué)習(xí)還需要解決哪些核心的挑戰(zhàn)呢？我們總結(jié)了三個主要問題。

第一：如果將AI和神經(jīng)網(wǎng)絡(luò)應(yīng)用到一些行業(yè)中去，必須對行業(yè)和應(yīng)用場景有非常深入的理解，這些行業(yè)和應(yīng)用場景有很多痛點，它們描述問題的語言和我們研究AI的語言并不是很兼容的。比如說我們講識別率是99%，大家就會覺得這就很準(zhǔn)確了，而我們要表達(dá)的是在多數(shù)情況下我們的識別率是100%，少數(shù)情況的識別率是0%，平均下來才是99%。另一方面，很多行業(yè)如果需要AI的話，并不是應(yīng)用技術(shù)，往往需要應(yīng)用完整的解決方案或者系統(tǒng)，我們需要做進(jìn)一步深入的工作，才能把技術(shù)轉(zhuǎn)化為系統(tǒng)應(yīng)用起來，也就是讓算法和行業(yè)之間能夠有很好的交流和理解。

第二：目前還沒有低成本、低功耗，成本很經(jīng)濟的硬件平臺。如果有了這樣很好的硬件平臺，應(yīng)用范圍和難度也會降低很多。在各種行業(yè)中，包括無人車、無人機或者其它設(shè)備都具有不同的限制，比如功耗、成本，以及散熱性和可靠性等。因此，缺少低成本、低功耗、高性能的硬件平臺限制了大規(guī)模應(yīng)用AI和神經(jīng)網(wǎng)絡(luò)的解決方案。

第三：近年來，算法發(fā)展非常迅速，帶來的問題是人們的期望也不斷提高，算法的發(fā)展是不是能夠一直跟上期望值的增加呢？比如說隨便在一個應(yīng)用場景只要應(yīng)用神經(jīng)網(wǎng)絡(luò)就能夠達(dá)到很好的性能，這是不能保證的。神經(jīng)網(wǎng)絡(luò)存在解釋性的問題，它是一個黑匣子，用對了當(dāng)然很好，如果性能很差，為什么差呢？這是很難解釋的一個問題。神經(jīng)網(wǎng)絡(luò)是基于統(tǒng)計的，針對很少見的情況，比如說在自動駕駛中出現(xiàn)車禍的情況，訓(xùn)練集能否覆蓋這種情況呢？在實際應(yīng)用中很難給應(yīng)用方解釋我們的方法是非常可靠的。

另外，雖然加大數(shù)據(jù)量可以解決一些問題，但是能不能夠把所有數(shù)據(jù)都標(biāo)注呢？這也是值得思考的問題。AI或者神經(jīng)網(wǎng)絡(luò)距離大規(guī)模應(yīng)用有這樣三個問題，我們今天想談的是第二個問題，能不能先做好硬件平臺準(zhǔn)備。

我們也看到在整個行業(yè)中，眾多公司中最近幾年最受益于AI發(fā)展的是NVidia。這也說明現(xiàn)階段，有了很好的硬件平臺才能做應(yīng)用，才能讓各種行業(yè)應(yīng)用AI算法。

為什么神經(jīng)網(wǎng)絡(luò)適合專用芯片或者硬件來加速呢？神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)這幾年有很大發(fā)展，從計算角度給大家?guī)砹诵碌奶魬?zhàn)。首先神經(jīng)網(wǎng)絡(luò)運算有大規(guī)模的并行性，所有運算都有共同基本單元，就是相乘累加，非常適合硬件實現(xiàn)的運算符方式。神經(jīng)網(wǎng)絡(luò)運算中間會產(chǎn)生很多中間結(jié)果，這些中間結(jié)果并不會被重用，這與之前的通用計算方式很不同。在神經(jīng)網(wǎng)絡(luò)計算中，無論是網(wǎng)絡(luò)的權(quán)重還是數(shù)據(jù)本身，對硬件帶寬的需求都很高。

這些新的挑戰(zhàn)使得原來非常強大的CPU并不能高效計算神經(jīng)網(wǎng)絡(luò)，CPU計算方式還是串行的方式，即使有些指令可以處理多個數(shù)據(jù)。CPU設(shè)計花了很多精力優(yōu)化多級的緩存，可以方便獲取數(shù)據(jù)，這對一般運算來說非常好的，但是對于神經(jīng)網(wǎng)絡(luò)不必要。這些CPU的優(yōu)化，如分支預(yù)測，讓一般運算非常高效，對神經(jīng)網(wǎng)絡(luò)來說額外開銷，因此用CPU來訓(xùn)練神經(jīng)網(wǎng)絡(luò)效率是相對比較低的。因此我們發(fā)現(xiàn)近年來提出來很多CPU+X，對神經(jīng)網(wǎng)絡(luò)做專門的運算加速。

AI片基本上等價于神經(jīng)網(wǎng)絡(luò)加速，我們需要AI芯片的原因是，通過硬件工藝的提高已經(jīng)很難大幅度提升計算性能，而需要專用芯片架構(gòu)提高計算性能。例如，硬件工藝改進(jìn)，隨著三極管數(shù)量增加，頻率更高，功耗不變，這條規(guī)律在2006年的時候已經(jīng)不成立了；我們所熟知的摩爾定律，在2015、2016年也已經(jīng)終結(jié)，單純通過硬件改善不太可能繼續(xù)提高計算性能，所以需要新的專用架構(gòu)設(shè)計來幫助提高對神經(jīng)網(wǎng)絡(luò)計算性能。

通常來講，根據(jù)之前提到的神經(jīng)網(wǎng)絡(luò)計算的特點，神經(jīng)網(wǎng)絡(luò)芯片能采取的針對措施有以下幾點：

1.由于有大量數(shù)據(jù)吞吐，可試圖降低數(shù)據(jù)量，讓芯片上保存更多的片上數(shù)據(jù)，存儲計算中間結(jié)果。

2.由于需平行運算很多，盡量用比較簡單的數(shù)據(jù)類型和數(shù)據(jù)大小，實現(xiàn)大量基本運算單元，不需要復(fù)雜的調(diào)度、分支預(yù)測、配置的管理，盡量減少管理調(diào)度所需芯片面積開銷。

3.神經(jīng)網(wǎng)絡(luò)運算資源調(diào)度優(yōu)化工作讓軟件去做，而不是用硬件實現(xiàn)復(fù)雜的調(diào)度。那么這個軟件是指哪些層面的軟件呢？后面可以會明確地提到。

下面介紹一下已有的神經(jīng)網(wǎng)絡(luò)加速芯片的類型，我們可以看到在過去幾年中，很多層出不窮的xPU出現(xiàn)。

首先是GPU，具有很強大的并行計算能力，但能耗比較高，也是目前最成熟的一個軟件工具平臺，有很多開源社區(qū)軟件的支持；

其次是DSP，利用一些單指令多數(shù)據(jù)的計算單元，一次性提供超過100個字節(jié)的運算，優(yōu)點是低功耗，并具有硬件支持的低開銷或無開銷循環(huán)及跳轉(zhuǎn)運算。問題在于DSP的指令集取決于其廠商與型號，不同型號的DSP的指令集都是不太一樣的，這樣給學(xué)習(xí)和編程開發(fā)造成了較大的困難。

FPGA是一種半定制化的硬件，采用編程方式，對片內(nèi)門電路進(jìn)行編程，配置片內(nèi)RAM使用，具有一定的靈活性和可修改性。從編程的角度來看，F(xiàn)PGA采用硬件描述語言，調(diào)度連接已有的LUT等運算單元，開發(fā)難度高一些；從功耗和成本來看，F(xiàn)PGA采用CMOS工藝，功耗低比GPU低，但比DSP之類ASIC高。

對于TPU，在后面的工作中會提到。

最后是IBM做的仿人腦的芯片，芯片的單元只有激活狀態(tài)下才會工作，功耗會非常低。

設(shè)計AI芯片，主要有哪些挑戰(zhàn)呢？

1.設(shè)定合理恰如其分的目標(biāo)。由于資源的限制，對行業(yè)理解的限制，設(shè)計一個放之四海而皆準(zhǔn)、而全的芯片是很難的，如何去設(shè)定好支持哪些功能，如何設(shè)定好成本、功耗、可靠性的目標(biāo)，這是最難的一個問題。另外，整個芯片設(shè)計流程周期長、成本高，并不能在實施期間隨意更改目標(biāo)。

2.如何設(shè)計系統(tǒng)架構(gòu)，包括指令集的設(shè)計，能夠讓架構(gòu)盡可能滿足更多需求，實現(xiàn)更多類型的神經(jīng)網(wǎng)絡(luò)，這是一件不容易的事情。

3.為了讓神經(jīng)網(wǎng)絡(luò)芯片能廣泛可用，需要提供全面的工具支持，提高編程開發(fā)效率。而工具鏈的支持也是相當(dāng)復(fù)雜的，需要訓(xùn)練平臺，需要編譯器把神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成可運行模塊下載到芯片中去，需要模擬器在沒有芯片的時候可以模擬開發(fā)，并且能夠調(diào)試分析性能，能夠設(shè)計出參考模型。這一系列軟件工具鏈的支持，對AI芯片能否成功起著關(guān)鍵性的作用。

當(dāng)然由于這是一個非常復(fù)雜的過程，而任何人的資源都不是無限的，總是要做一些非常痛苦的抉擇和權(quán)衡，在成本、開發(fā)時間、各種資源條件限制下做一個權(quán)衡。

對于神經(jīng)網(wǎng)絡(luò)加速芯片，又會有哪些具體難題呢？

1.首先要確定支持的網(wǎng)絡(luò)子集。神經(jīng)網(wǎng)絡(luò)多種多樣，新的算法層出不窮，到底要支持到什么程度，支持哪些網(wǎng)絡(luò)結(jié)構(gòu)激活函數(shù)和操作。

2.支持哪些函數(shù)和數(shù)據(jù)類型，同時要考慮是否支持模型壓縮、量化方法，這些都需要在算法層面上對神經(jīng)網(wǎng)絡(luò)目標(biāo)做很好的設(shè)定。

3.設(shè)計芯片結(jié)構(gòu)，比如片上內(nèi)存和片下內(nèi)存，片上內(nèi)存當(dāng)然越多越好，但是成本高，功耗和測試時間都會增加。盡量讓硬件本身簡易化，只完成神經(jīng)網(wǎng)絡(luò)加速，把任務(wù)調(diào)度、任務(wù)優(yōu)化交給軟件去完成。這些最終都需要對開發(fā)者透明，需要由中間件工具鏈來做優(yōu)化，這也是工作量非常大的一項工作。

4.最后還要提供很多參考模型和設(shè)計，完成具體應(yīng)用場景中的功能示例。

這是一個非常簡化的開發(fā)AI芯片的流程，從需求（MRD）開始，首先是算法的研發(fā)，要明確哪些神經(jīng)網(wǎng)絡(luò)模型是最重要的，是需要支持的，是否能夠滿足應(yīng)用場景的要求；之后會生成很多參考模型，實現(xiàn)Golden C，在設(shè)計的時候可以參考C的實現(xiàn)；右邊是芯片設(shè)計的過程，實現(xiàn)架構(gòu)設(shè)計，實現(xiàn)核心神經(jīng)網(wǎng)絡(luò)相關(guān)的編程，同時芯片需要訪問內(nèi)存，訪問接口，需要IP集成，集成之后需要進(jìn)行驗證，并需要實現(xiàn)FPGA平臺去做實際驗證；之后是后端設(shè)計，包括邏輯綜合、布局布線等；然后進(jìn)行流片（Tapeout），這需要之前各種驗證都已經(jīng)做得很充分之后，流片之后修改的機會就很少了，而且流片經(jīng)濟成本和時間非常高。最后需要把硬件芯片放在一個硬件平臺上，啟動起來之后能夠開發(fā)中間件運行軟件。左邊是軟件相關(guān)工作，包括訓(xùn)練平臺、編譯器、模擬器和調(diào)試器，最終做到應(yīng)用，再測試。可以看出，整個流程的工程量非常巨大。

具體介紹兩個例子。先看一下TPU，這是Google 2013年開發(fā)的，經(jīng)歷了大約15個月，TPU的定位是對神經(jīng)網(wǎng)絡(luò)加速的芯片，它可以在數(shù)據(jù)中心使用，15個月的開發(fā)時間已經(jīng)是相當(dāng)快的速度，功耗大概是75瓦。TPU上有256×256×8bit的矩陣乘法器，這是最核心的計算單元，所有的設(shè)計目標(biāo)都是希望能夠讓這個乘法器效率最高。每個TPU指令都是由服務(wù)器通過PCIe總線發(fā)送回來的；然后通過指令把數(shù)據(jù)調(diào)到24兆的緩沖區(qū)，安排好數(shù)據(jù)，同時把神經(jīng)網(wǎng)絡(luò)權(quán)重從外部DRAM調(diào)到芯片中去，讓矩陣乘法器不斷計算，并把中間結(jié)果、乘加結(jié)果存到4兆緩存區(qū)中去；最后再通過激活歸一化函數(shù)后存回到緩存區(qū)。可以看到TPU實現(xiàn)了一個非常直觀的神經(jīng)網(wǎng)絡(luò)預(yù)測，并做了很多簡化和約束工作。

TPU的主要指令是從主存儲器中讀數(shù)據(jù)、讀權(quán)重，然后進(jìn)行乘加，最后通過激活函數(shù)把結(jié)果寫進(jìn)去。

對比之前提到的幾個原則，TPU首先做了一些限制，只支持神經(jīng)網(wǎng)絡(luò)預(yù)測（inference），根據(jù)Google內(nèi)部的業(yè)務(wù)的需求，主要支持MLP（Multi-layer Perceptron）網(wǎng)絡(luò)。它支持整數(shù)運算，通常為8bit運算，也可以進(jìn)行16bit或32bit的運算，但處理速度會降低一半或者4倍。從存儲角度上設(shè)計了24MB的SRAM來存儲中間結(jié)果，權(quán)重也是通過SRAM調(diào)用進(jìn)去。它把優(yōu)化工作基本上都交給軟件來完成，芯片本身的架構(gòu)沒有非常復(fù)雜的優(yōu)化，主要優(yōu)化是在于讓乘法器核心能夠持續(xù)運算，同時把其它的運算并行起來。從分析和處理的角度來看，TensorFlow和TPU是兼容的，TensorFlow能夠讓它的工作效率很高，因為很多Google軟件工程師針對TensorFlow和TPU進(jìn)行了開發(fā)。

地平線也做了AI芯片，我們做的是什么呢？首先也是針對于神經(jīng)網(wǎng)絡(luò)預(yù)測，同時這種預(yù)測還只針對圖像和計算機視頻的任務(wù)。我們做了一些限制，輸入是8bit 多通道的2D的矩陣，可以是灰度或YUV圖像。我們針對的就是圖像應(yīng)用，目標(biāo)是開發(fā)高性能、低功耗、低成本神經(jīng)網(wǎng)絡(luò)協(xié)同處理器，通過編程方式改變算法架構(gòu)和替換不同的神經(jīng)網(wǎng)絡(luò)。

開發(fā)過程首先從MxNet的訓(xùn)練開始，同樣支持TensorFlow網(wǎng)絡(luò)架構(gòu)。主要支持8bit整數(shù)的運算，用芯片來實現(xiàn)的話，支持很多的數(shù)據(jù)類型成本和復(fù)雜度會提高。

我們的工作核心是把一個神經(jīng)網(wǎng)絡(luò)模型編譯成我們支持的匯編語言，一方面我們知道具體的神經(jīng)網(wǎng)絡(luò)模型，另一方面我們知道這是一個檢測算法，把檢測算法對應(yīng)的模型和算法架構(gòu)合并在一起，通過聯(lián)接器（Linker）得到機器語言的模型文件，其物理地址沒有完全確定，如果是真實芯片則確定物理地址在芯片上運行，如果是軟件模擬器就則可仿真運行。

我們會提供比較全面的開發(fā)平臺支持，從算法角度來說，能夠在不同尺度下進(jìn)行圖象識別，在不同的視頻中進(jìn)行時間維度上的融合，可以支持分類、檢測、跟蹤、識別等任務(wù)。

從芯片架構(gòu)來講，一個比較創(chuàng)新的思考方式是彈性的Tensor Core。把圖像所需要的一些操作（卷積、池化等）進(jìn)行硬件化，同時有很多片上內(nèi)存，通過一個data routing bridge從SRAM中選擇這些操作所需的數(shù)據(jù)并同時存儲，把存儲跟運算作為兩個資源，通過編程方式靈活調(diào)動，實現(xiàn)更多的算法。

這是圖像所需要的一些基本操作，除了卷積以外，還包括升采樣，降采樣等操作。

第一代芯片在2017年流片，目前已經(jīng)生產(chǎn)出來了，它支持單路高清視頻進(jìn)行30幀的物體檢測、跟蹤和識別。第二代芯片支持6~8路的物體檢測識別，包括像素級的分割和識別。

這就是我們在2017年12月份發(fā)布的產(chǎn)品，包括兩個系列，一個是面向自動駕駛，叫做“征程系列芯片（Journey）”；一個是面向智能攝像頭的，叫做“旭日芯片（Sunrise）”。它們可以實現(xiàn)1路視頻檢測，同時處理200個物體，并且功耗很低，可以實現(xiàn)物體級別的檢測識別。

這是我們能夠?qū)崿F(xiàn)的一些功能，包括大范圍的非常密集的場景下的人臉識別（先抓拍，再識別人臉屬性），在本地可以做到一萬人左右的識別，我們已經(jīng)有了樣機，大家可以體驗。也包含視頻結(jié)構(gòu)化的應(yīng)用，在復(fù)雜的交通環(huán)境下，檢測機動車、非機動車、行人，區(qū)別屬性、車牌，這也是非常實用的功能，如果把這些功能應(yīng)用到攝像頭中可以節(jié)省很多帶寬和成本。

這是第二代芯片架構(gòu)，能達(dá)到像素級別的識別，這是今年在拉斯維加斯的車上實測的結(jié)果，另外一個是在三藩市實時運行的結(jié)果，包括物體分割和檢測。

總結(jié)一下，在未來10-20年AI功能將無處不在，AI芯片將是非常必要的基礎(chǔ)設(shè)施，只有芯片成功才能讓AI算法真正在生活中得到大規(guī)模應(yīng)用。我們相信我們公司會堅定地致力于“算法+芯片”，把算法和芯片兩者結(jié)合，做一些創(chuàng)新的、有趣的工作，把AI算法真正推向大家的生活中去，謝謝大家。

作者簡介：

楊銘博士，地平線（Horizon Robotics）聯(lián)合創(chuàng)始人 & 軟件副總裁，F(xiàn)acebook 人工智能研究院創(chuàng)始成員之一。楊銘曾任 NEC 美國研究院高級研究員，專注于計算機視覺和機器學(xué)習(xí)領(lǐng)域研究，包括物體跟蹤、人臉識別、海量圖片檢索、及多媒體內(nèi)容分析。他在 Facebook 工作期間負(fù)責(zé)的深度學(xué)習(xí)研發(fā)項目 DeepFace 在業(yè)界產(chǎn)生重大影響，被多家媒體廣泛報道，包括 Science Magazine、MIT Tech Review、Forbes 等。他領(lǐng)導(dǎo) NEC-UIUC 團(tuán)隊參加 TRECVID08/09 視頻監(jiān)控事件檢測評測，獲得最佳成績；參與 NEC 團(tuán)隊 ImageNet2010 大規(guī)模圖像分類挑戰(zhàn)，獲得第一名。申請獲得美國專利15項。楊銘畢業(yè)于清華大學(xué)電子工程系并獲得工學(xué)學(xué)士和碩士學(xué)位，于美國西北大學(xué)電氣工程與計算機科學(xué)系獲得博士學(xué)位。他在頂級國際會議 CVPR/ICCV 發(fā)表論文20余篇，在頂級國際期刊 T-PAMI 上發(fā)表9篇論文，被引用超過7600次；多次擔(dān)任 CVPR/ICCV/NIPS/ACMMM 等頂級國際會議程序委員會成員，T-PAMI/IJCV/T-IP 等頂級國際期刊審稿人。