?。∕ovidius Myriad 2，圖片來源：Movidius）

編者按：本文作者為英梅吉CEO朱郁叢，該公司推出了基于手機(jī)攝像頭的手勢(shì)交互產(chǎn)品Hand CV。

背景：科技界又迎來了一樁大額收購(gòu)案，芯片巨頭英特爾收購(gòu)了硅谷計(jì)算機(jī)視覺領(lǐng)域的初創(chuàng)公司 Movidius，該公司主要產(chǎn)品為低功耗視覺處理器：Myriad 系列 VPU。今年八月，Intel還以 3.5 億美元收購(gòu)了主攻深度學(xué)習(xí)的公司 Nervana，這一筆收購(gòu)能夠讓英特爾獲得深度學(xué)習(xí)的 IP 和具體產(chǎn)品，從而滿足 AI 開發(fā)及數(shù)據(jù)中心對(duì)芯片的強(qiáng)大需求。

要想解釋 Intel 為何會(huì)在短期內(nèi)有如此大動(dòng)作，先來看一下 2016 年的 CVPR。

（CVPR 全稱為 International Conference on Computer Vision and Pattern Recognition，計(jì)算機(jī)視覺及模式識(shí)別大會(huì)。涵蓋的問題包括但不限于：物體識(shí)別與檢測(cè)、圖像高級(jí)語(yǔ)義理解、人臉、優(yōu)化方法、Correspondences求解、相機(jī)定位及三維地圖構(gòu)建(SLAM)。CVPR 是計(jì)算機(jī)視覺的最大的年度聚會(huì)，2016 年收到投稿 2,145 份,接受論文 643 篇，接收率 29.9%，與會(huì)人數(shù)達(dá) 3,600 人。）

在這場(chǎng)全球頂級(jí)的計(jì)算機(jī)視覺領(lǐng)域大會(huì)上，據(jù)不完全統(tǒng)計(jì)，大概有 70%以上的文章均與深度學(xué)習(xí)有關(guān)，在圖像分類、物體檢測(cè)、語(yǔ)義分割等領(lǐng)域,深度學(xué)習(xí)取得的效果已經(jīng)大幅領(lǐng)先傳 統(tǒng)算法。據(jù)微軟亞洲研究院所述，即使是在 3D 視覺、底層圖像處理等傳統(tǒng)方法相對(duì)主流的領(lǐng)域也有不少學(xué)者給出了自己的基于深度學(xué)習(xí)的解決方案。

以手勢(shì)識(shí)別為例，傳統(tǒng)的識(shí)別方案大都基于顏色空間，如 RGB，HSV 及 YCrBr。但這些算法都無法排除類膚色物體及黑色皮膚對(duì)識(shí)別精度的干擾。也有些算法通過對(duì)手型輪廓特征進(jìn)行提取從而完成識(shí)別，如 HoG+SVM 的分類識(shí)別方法，但仍然無法提高在暗光、逆光等條件下的識(shí)別精度。但借助深度學(xué)習(xí)，如通過 R-CNN 訓(xùn)練大量標(biāo)注后的手勢(shì)圖像數(shù)據(jù)，得到的模型在處理帶有復(fù)雜背景及暗光環(huán)境下的手勢(shì)識(shí)別問題時(shí)，比傳統(tǒng)方案的效果優(yōu)秀很多。

一方面深度學(xué)習(xí)可以給計(jì)算機(jī)視覺領(lǐng)域帶來空前的進(jìn)步，但另一方面，該方法對(duì)硬件及數(shù)據(jù)的要求也是空前的。通過 R-CNN 網(wǎng)絡(luò)訓(xùn)練一組手勢(shì)，大概需要 10 萬(wàn)張預(yù)先標(biāo)注好的圖片資源，同時(shí)，在學(xué)習(xí)圖像的過程中，它對(duì) GPU 也有非常高的運(yùn)算要求，訓(xùn)練時(shí)間也不容小覷。 即使已經(jīng)在高性能平臺(tái)得到了一個(gè) R-CNN 或者 Faster R-CNN 的網(wǎng)絡(luò)模型，在某些低運(yùn)算能力平臺(tái)(手機(jī),平板)上運(yùn)行識(shí)別算法時(shí)，也無法同時(shí)顧及到實(shí)時(shí)性和高識(shí)別率。比如，YOLO物體識(shí)別算法可以在高性能平臺(tái)達(dá)到 45 FPS，但其 mAP 只有 63.4 左右。而 mAP 更優(yōu)的 Faster R-CNN，卻只有 7 FPS。

目前，如果想在手機(jī)等 GPU 性能很低的設(shè)備上運(yùn)行深度學(xué)習(xí)算法，挑戰(zhàn)還比較大，只有通過對(duì)算法的優(yōu)化，才能使其在目前主流的Android、iOS 平臺(tái)上運(yùn)行。比如，在單目手勢(shì)識(shí)別領(lǐng)域,全球范圍內(nèi)可給出商用解決方案的有來自以色列的 eyesight，superbreality 公司及中國(guó)的 Hand CV，其中，Superbreality 公司的解決方案更多依賴于對(duì)手勢(shì)輪廓的識(shí)別，Hand CV 的解決方案則融合了顏色空間、輪廓及 YOLO 深度學(xué)習(xí)的方案。所以，通過機(jī)器學(xué)習(xí)來解決計(jì)算機(jī)視覺問題的思路已經(jīng)逐漸轉(zhuǎn)到了手機(jī)等移動(dòng)平臺(tái)上來。

那么，既然深度學(xué)習(xí)對(duì)識(shí)別精度的提高如此明顯，就像當(dāng)年 iPhone 5s 加入了 M7 協(xié)處理器一樣，計(jì)算機(jī)視覺領(lǐng)域在一些移動(dòng)設(shè)備上也需要有一塊專門的低功耗處理芯片。它不但可以分擔(dān) CPU 和 GPU 的任務(wù)，而且在處理深度學(xué)習(xí)的問題時(shí)更加高效，可以針對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練特征從芯片級(jí)別進(jìn)行優(yōu)化，從而促進(jìn)基于深度學(xué)習(xí)的計(jì)算機(jī)視覺算法在移動(dòng)設(shè)備上的普及。

就像背景描述里提到的，Intel 已經(jīng)在為這個(gè)方向布局：同時(shí)，上游芯片供應(yīng)商 NVIDIA 也在去年年底發(fā)布了 Jetson TX1 GPU 模塊，主要針對(duì)的也是人工智能市場(chǎng)。

（Jetson TX1 GPU 模塊包括一顆浮點(diǎn)運(yùn)算達(dá)到 teraflop 級(jí)的、基于 Maxwell架構(gòu)的 256 核心 GPU，64 位 ARM A57 芯片組、4GB LPDDR4 RAM 內(nèi)存 (每秒帶寬速度達(dá) 25.6GB)、15GB 本地存儲(chǔ)模塊、802.11 2×2 ac Wi-fi解決方案以及 1Gb 以太網(wǎng)端口。同時(shí)還配備 Jetson Linux 軟件開發(fā)工具包。Jetson TX1 GPU 模塊的面積只有 50*87 毫米，僅一張信用卡大小。 雖然外形很迷你，Jetson TX1 GPU 性能卻不容小視。）

Jetson TX1 GPU 模塊的首批客戶包括微軟、亞馬遜、谷歌以及 IBM 等科技巨頭，它們將會(huì)在各自的無人機(jī)或者機(jī)器人設(shè)備搭載該模塊，從而流暢運(yùn)行人工智能應(yīng)用。以下便演示了該芯片與深度學(xué)習(xí)結(jié)合的一款應(yīng)用產(chǎn)品：Kespry 無人機(jī)。

　　（Kespry 無人機(jī)：視頻）

計(jì)算機(jī)視覺領(lǐng)域原來一些看似不可逾越的鴻溝，被深度學(xué)習(xí)輕松踏過，而深度學(xué)習(xí)天生對(duì)運(yùn)算性能要求高的弊端也必定會(huì)隨著硬件的成熟而解決。隨著 AI 技術(shù)的發(fā)展以及人們對(duì)之的重視，計(jì)算機(jī)視覺的應(yīng)用場(chǎng)景不再局限于工業(yè)，已經(jīng)慢慢走入大眾市場(chǎng)，如行車記錄儀的路牌、車道分析，基于手機(jī)的移動(dòng) VR 的手勢(shì)識(shí)別等等，這些功能的高質(zhì)量實(shí)現(xiàn)都需要在 CPU和 GPU 性能有限的情況下運(yùn)行深度學(xué)習(xí)的算法，那么， 一款專門的 CV 處理芯片對(duì)于整個(gè)芯片制造業(yè)都會(huì)是下一個(gè)綠洲，這也是為什么 Intel 會(huì)在短時(shí)期內(nèi)收購(gòu)生產(chǎn)視覺處理器的Movidius 公司和深度學(xué)習(xí)公司 Nervana。同時(shí)，由于手機(jī)、平板、無人機(jī)等設(shè)備對(duì)功耗的敏感特性，就需要這塊專門處理 CV 內(nèi)容的芯片以低功耗運(yùn)行。

所以，計(jì)算機(jī)視覺領(lǐng)域遇到的問題可以更好的被深度學(xué)習(xí)解決，而深度學(xué)習(xí)在移動(dòng)平臺(tái)上運(yùn)行的問題，最終將會(huì)被低功耗的 CV 處理芯片解決，真正的 AI 離我們?cè)絹碓浇恕?/p>