這篇開始是 Computer Vision 電腦視覺系列。CV 可以說是 deep learning 中最火熱的領域，申請國外研究所年年擠破頭。DL x CV 的發展是從何開始？處理圖像又有什麼難題？這要從 ImageNet 說起。

ImageNet

2006 年，當時 CV 的世界還是圍繞在演算法的改進。有上過傳統 CV 課的應該知道，那時候的技術注重在開發演算法做特徵提取以利進行下游的應用，例如找出臉部的輪廓做人臉辨識等等。

而也是在這年， Fei-Fei Li 籌組了一個研究小組，仿效知名的文字關係 dataset WordNet，開始進行大規模的 image labeling 計畫，收集大量的圖像並用 crowdsourcing 的方式標記圖像。這個 image database 在 2009 年發表，稱為 ImageNet。

—— ImageNet。[1]

ImageNet 包含了超過 1400 萬張圖片，分類多達 2 萬種，也是當時史無前例的超大圖像資料庫。提出後每年舉辦圖像分類比賽 ILSVRC，在 2015 年正確率甚至超越了人類。也是從 ImageNet 開始，data 在 CV 受到更多的重視，重要程度有時甚至超越了演算法和 model 本身。

而有了大量的 data，再搭配已經漸漸成熟的電腦硬體帶來的效能提升，讓原本不受重視的 neural network 又重新受到了學術界的注目。大家發現 neural network 訓練在海量 data 上，能在短時間之內突破好幾年以來許多圖像任務的最佳成績，便紛紛投入 deep learning 的懷抱。

又深訓練又久的 network 成為標配：2012 年的 ILSVRC 由 Krizhevsky 等人提出的 AlexNet 運用 GPU 訓練出一個非常深的 CNN，表現甚至贏過第二名超過 15%；2015 年微軟研究團隊提出的 ResNet 加入了 residual 的概念，相當於在 network 中加了捷徑讓 gradient 反饋更有效，才得以訓練在更深的 model 上，最後成果也突破了人類的正確率。在短短幾年內，CV 領域因為 deep learning 有了許多重大突破。

—— AlexNet and ResNet。[3]

雖然整個任務聽起來只是收集並 label data 並不特別厲害，但他的突破在於展示收集大量 data 搭配 deep learning 能帶來的驚人成效，以及讓學術界能快速訓練在其之上，專心於開發更好的 model。ImageNet 對 CV 領域的貢獻也讓他在十年後 2019 年獲頒 Longuet-Higgins Prize。

The Data-Driven Approach

Image classification 算是 CV 最基礎的 task。但 image 有很多變化，讓這個看似簡單的 task 多了很多難點：

1. 他可以很多不同角度
2. 有很多光線變化
3. 你看不出他的 scale
4. 物體可以歪七扭八
5. 物體還可以跟背景融為一體
6. 重要物體也會被不重要的物體遮住
7. 同一種東西還有很多不同樣貌

—— Image 的變化。[4]

這也是為什麼根據物體特性開發演算法很不實際，因為你的 model 要掌握這麼多的變化。

Data-driven approach 旨在讓 model 從海量 data 中自己摸索出這些變化，學會一張圖片中的重點在哪裡、物體不同 level 的特徵、形體接近但不同種類的主要差別等等。這也是為什麼 data 在 CV 的世界裡顯得更重要！

CV 與 NLP 各自的難題

最後提出一些自己對 CV 和 NLP 兩個領域的看法。

CV 應用非常廣，舉凡機器人、自駕車、圖像影片分析、醫療影像分析、圖片生成等等，都是對人類社會很有幫助的領域。他的難點在於資料運算處理和資料多樣性，以及很多應用所要求的精準度。首先大量 2D 甚至 3D 圖片要進入 model 做運算，那肯定是比文字來的吃不消，如何最有效率的進行運算也是個難題。再來多樣性上面有提到，但是有時候再多的 data 可能還是訓練不出一個 model 可以在某些人類一眼能辨識的圖片上找出解答。最後是他許多應用都要求極高的精準度，包括自駕車需要精準判定是不是有人衝出來、醫療圖像判定的失誤也可能攸關生死等等。這也是為什麼 CV 這幾年來雖然發展迅速，卻依然充滿許多研究機會和發展空間。

NLP 的應用也很多，機器翻譯、文意分析、對話系統、聲音處理等等，都是很有趣的主題，但似乎都不及 CV 應用來得迫切需要。但個人認為 NLP 要達到人類程度的困難度，卻是 CV 領域的很多倍。具體來說，像是 evaluation metric 需要檢驗文字的流暢度、多樣性、正確性等等，很多都還是以人類給分比較有參考價值。再來文意理解方面，一個句子裡一字之差，文意可以直接相反；文字中包含情緒，或是諷刺這種表面是正實質是負的特性，也比圖像理解來得困難。

不過主要原因還是，語言是人類智慧的結晶吧。世界上很多動物都有視覺功能、都能理解圖像，但只有人類能發展出完整與多樣的語言系統。要追上這樣的人類智慧，是 NLP 領域目前還望塵莫及的目標！

參考資料

1. Google & DeepMind Researchers Revamp ImageNet
2. CS231n Lecture Slides: History of Computer Vision
3. CS231n Lecture Slides: Image Classification
4. CS231n Lecture Notes: Image Classification

延伸閱讀

1. ImageNet Classification with Deep Convolutional Neural Networks