1
00:00:00,825 --> 00:00:01,810
10年前，

2
00:00:01,810 --> 00:00:04,770
计算机视觉研究者认为
要让一台电脑

3
00:00:04,770 --> 00:00:07,606
去分辨出一只猫和狗的不同之处

4
00:00:07,606 --> 00:00:09,546
几乎是不可能的，

5
00:00:09,546 --> 00:00:13,266
即便是在人工智能已经取得了
重大突破的情况下。

6
00:00:13,266 --> 00:00:16,800
现在我们已经可以做到
让它的正确率在99%以上。

7
00:00:17,680 --> 00:00:19,636
这个方法叫做图像分类——

8
00:00:19,636 --> 00:00:22,716
给它一张图，再给这张图贴上标签——

9
00:00:22,716 --> 00:00:25,720
通过这种方式，电脑就可以知道
数千种的分类。

10
00:00:26,680 --> 00:00:29,540
我是华盛顿大学的一名研究生，

11
00:00:29,540 --> 00:00:31,526
我致力于一个名叫“暗网”的项目，

12
00:00:31,526 --> 00:00:33,266
这是一个用来训练和测试
计算机视觉模型的

13
00:00:33,266 --> 00:00:36,106
神经网络结构。

14
00:00:36,106 --> 00:00:39,116
让我们来看看暗网是如何看待

15
00:00:39,116 --> 00:00:40,840
我们手上的这张图片。

16
00:00:42,520 --> 00:00:44,896
当我们在这张图片上

17
00:00:44,896 --> 00:00:46,166
运行识别器时，

18
00:00:46,166 --> 00:00:48,656
我们注意到，它不仅能判断出
图片上是猫是狗，

19
00:00:48,656 --> 00:00:50,880
还能给出它是哪个品种的预测。

20
00:00:50,880 --> 00:00:53,196
这就是我们目前所达到的粒度级别。

21
00:00:53,196 --> 00:00:54,816
而且它的预测是正确的。

22
00:00:54,816 --> 00:00:56,640
我的狗的确是一只
阿拉斯加雪橇犬。

23
00:00:57,040 --> 00:01:01,360
很明显，我们在图像识别上
取得了惊人的进步，

24
00:01:01,360 --> 00:01:03,450
但是如果我们对这样一张图片上

25
00:01:03,450 --> 00:01:05,384
运行识别器，会如何呢？

26
00:01:07,080 --> 00:01:08,280
看一下。。。。。

27
00:01:12,640 --> 00:01:16,586
我们看到识别器给出了一个
非常相似的预测。

28
00:01:16,586 --> 00:01:19,696
而且是正确的，图中是有一只
阿拉斯加雪橇犬，

29
00:01:19,696 --> 00:01:23,416
但只使用这一个标签，
我们并不能真正的了解

30
00:01:23,416 --> 00:01:25,107
这张图片里的故事。

31
00:01:25,107 --> 00:01:26,651
我们需要更强大的检测器。

32
00:01:27,240 --> 00:01:29,916
我正在研究一个叫做
目标检测的问题，

33
00:01:29,916 --> 00:01:32,790
也就是我们尝试
将一张图上的所有目标物都找出来，

34
00:01:32,790 --> 00:01:34,240
然后将它们分别框起来，

35
00:01:34,240 --> 00:01:35,840
再加上标注。

36
00:01:36,400 --> 00:01:39,680
这就是我们对这张照片
运行检测器时所发生的。

37
00:01:41,240 --> 00:01:43,526
基于这样的结果，

38
00:01:43,526 --> 00:01:46,216
我们可以用计算机视觉算法
做更多的事情。

39
00:01:46,230 --> 00:01:49,296
我们发现，它知道
这里有一只猫和一只狗。

40
00:01:49,296 --> 00:01:51,460
它知道它们的相对位置，

41
00:01:51,460 --> 00:01:52,696
它们的大小。

42
00:01:52,696 --> 00:01:54,330
它可能甚至还知道一些
额外的信息。

43
00:01:54,330 --> 00:01:56,680
例如背景里有一本书。

44
00:01:57,280 --> 00:02:00,596
如果你想建立一个
基于计算机视觉的系统，

45
00:02:00,596 --> 00:02:04,056
比如说无人驾驶汽车
或者机器人系统，

46
00:02:04,056 --> 00:02:06,526
那么这就是你想要得到的那类信息。

47
00:02:06,526 --> 00:02:09,759
你要一个能与物质世界互动的系统。

48
00:02:10,759 --> 00:02:13,010
当我最开始开展目标检测项目时，

49
00:02:13,010 --> 00:02:16,386
它要花20秒去处理一张图片。

50
00:02:16,386 --> 00:02:20,240
为了感受一下为什么速度
在这个领域是如此重要，

51
00:02:21,120 --> 00:02:23,676
举一个例子，这是一个2秒钟

52
00:02:23,680 --> 00:02:26,126
就能处理一张图片的检测器。

53
00:02:26,126 --> 00:02:28,786
这个检测器的速度要比

54
00:02:28,786 --> 00:02:32,260
处理每张图需要20秒的
检测器快10倍，

55
00:02:32,260 --> 00:02:35,006
你还可以看到
在它做出预测的时候，

56
00:02:35,006 --> 00:02:37,040
被检测的世界已经发生变化了，

57
00:02:37,880 --> 00:02:40,280
这对于一个应用来说

58
00:02:40,280 --> 00:02:41,756
是没有多大用处的。

59
00:02:41,760 --> 00:02:44,306
如果我们将它的速度再提升10倍，

60
00:02:44,306 --> 00:02:47,146
这个检测器每秒可处理5张画面。

61
00:02:47,146 --> 00:02:48,736
这就好很多了，

62
00:02:48,736 --> 00:02:50,696
但是，举个例子

63
00:02:50,696 --> 00:02:53,086
如果有任何重大的移动
（它就反应不过来了），

64
00:02:53,086 --> 00:02:55,560
我可不想让这样的一个系统
来驾驶我的汽车。

65
00:02:57,120 --> 00:03:00,360
这是在我电脑上运行的
实时检测系统。

66
00:03:01,000 --> 00:03:04,216
当我在移动时，它能顺利地追踪我，

67
00:03:04,216 --> 00:03:07,880
而且它强大到能适应不同的大小、

68
00:03:09,440 --> 00:03:10,640
姿势、

69
00:03:11,280 --> 00:03:13,110
向前、向后的改变。

70
00:03:13,110 --> 00:03:14,180
很了不起。

71
00:03:14,180 --> 00:03:16,120
如果我们想要建造一个

72
00:03:16,120 --> 00:03:19,056
基于计算机视觉的系统，
那么这就是我们真正需要的。

73
00:03:19,056 --> 00:03:23,056
（掌声）

74
00:03:24,280 --> 00:03:26,526
仅仅是几年的时间，

75
00:03:26,526 --> 00:03:29,110
我们就从每张图20秒，

76
00:03:29,110 --> 00:03:32,660
提升到了每张图20毫秒，
速度提高了1000倍。

77
00:03:32,660 --> 00:03:34,130
我们是如何做到的呢？

78
00:03:34,130 --> 00:03:37,080
事实上在过去，目标检测系统

79
00:03:37,080 --> 00:03:39,166
会将这张图片

80
00:03:39,166 --> 00:03:41,646
分成很多小区域，

81
00:03:41,646 --> 00:03:44,890
然后在每一块区域运行一下识别器，

82
00:03:44,890 --> 00:03:47,516
在识别器中获得最高分数（的输出）

83
00:03:47,516 --> 00:03:50,610
就会被认为是这张图片的检测结果。

84
00:03:50,610 --> 00:03:54,650
这涉及到要在一张图片上
运行数千次识别器，

85
00:03:54,650 --> 00:03:57,640
以及数千次的神经网络评估
才能获得检测结果。

86
00:03:59,240 --> 00:04:03,826
而现在，我们训练了可以做出
所有检测的单一网络。

87
00:04:03,826 --> 00:04:08,080
它能同时生成边界盒和类别概率。

88
00:04:08,680 --> 00:04:12,160
使用我们的系统，
不需要为了生成检测结果

89
00:04:12,160 --> 00:04:13,696
去重复上千数次地看同一张图片，

90
00:04:13,696 --> 00:04:14,880
“只看一次”就行了，

91
00:04:14,880 --> 00:04:17,880
这也是为什么我们称之为
目标检测的“YOLO”法。

92
00:04:19,360 --> 00:04:23,310
有了这个速度，我们就
不仅限于识别图像了，

93
00:04:23,310 --> 00:04:25,750
还可以实时处理视频。

94
00:04:25,750 --> 00:04:28,870
现在，我们不仅看到了猫和狗，

95
00:04:28,870 --> 00:04:31,880
还能看到它们走来走去，互相嘻戏。

96
00:04:34,560 --> 00:04:36,696
这是一个我们在微软的
COCO数据库上，

97
00:04:36,696 --> 00:04:41,116
用80种不同种类的物品

98
00:04:41,116 --> 00:04:44,280
训练过的检测器。

99
00:04:44,280 --> 00:04:47,630
包含了各种东西，
像勺子、叉子、碗

100
00:04:47,630 --> 00:04:49,480
等常见物品。

101
00:04:50,360 --> 00:04:53,546
还有各种奇特的东西：

102
00:04:53,546 --> 00:04:56,680
动物、汽车、斑马、长颈鹿。

103
00:04:56,680 --> 00:04:58,350
现在我们要做点儿有趣的事情。

104
00:04:58,350 --> 00:05:00,570
我们的摄像头将要对准观众区，

105
00:05:00,570 --> 00:05:02,116
看看能检测出什么。

106
00:05:02,116 --> 00:05:04,500
谁想要一个毛绒动物玩具？

107
00:05:06,000 --> 00:05:07,762
观众席里有了一些泰迪熊。

108
00:05:10,040 --> 00:05:14,540
我们把检测阀值调低一点，

109
00:05:14,540 --> 00:05:18,000
这样就可以找出更多的观众。

110
00:05:19,560 --> 00:05:21,936
看下我们能不能找出这些停车标志。

111
00:05:21,936 --> 00:05:23,800
我们找到了一些背包。

112
00:05:25,880 --> 00:05:27,720
再放大一点。

113
00:05:30,320 --> 00:05:31,400
非常棒。

114
00:05:31,400 --> 00:05:34,720
所有这些都是在电脑上

115
00:05:34,720 --> 00:05:36,000
实时处理的。

116
00:05:37,080 --> 00:05:38,220
请大家记住：

117
00:05:38,220 --> 00:05:41,866
这是一个通用的目标检测系统，

118
00:05:41,866 --> 00:05:46,800
因此我们可以将它训练
用于任何领域的图像识别。

119
00:05:48,320 --> 00:05:50,830
我们在无人驾驶汽车中

120
00:05:50,830 --> 00:05:53,396
用来发现停车标志、行人

121
00:05:53,396 --> 00:05:55,356
和自行车的代码，

122
00:05:55,360 --> 00:05:58,306
同样可以用于在组织活检中

123
00:05:58,306 --> 00:06:01,296
找出癌细胞。

124
00:06:01,296 --> 00:06:05,320
全球已经有很多研究者
正在利用这一技术

125
00:06:06,240 --> 00:06:09,630
在医学、机器人学等方面取得了进展。

126
00:06:09,630 --> 00:06:11,020
今天早上，我刚读到一篇文章，

127
00:06:11,020 --> 00:06:15,610
人们在内罗毕国家公园
对动物数量进行普查，

128
00:06:15,610 --> 00:06:18,846
使用了YOLO作为检测系统的一部分。

129
00:06:18,846 --> 00:06:21,920
这是因为暗网是一个开源项目，

130
00:06:21,920 --> 00:06:24,480
在公共领域，任何人都可以免费使用。

131
00:06:25,600 --> 00:06:31,290
（掌声）

132
00:06:31,290 --> 00:06:36,200
但是我们想要让检测器
能被更多人使用、也更好用，

133
00:06:36,200 --> 00:06:40,260
因此通过结合模型优化，

134
00:06:40,260 --> 00:06:42,640
网络二值化和近似法，

135
00:06:42,640 --> 00:06:46,600
我们实际上已经可以
在手机上进行目标检测了。

136
00:06:52,800 --> 00:06:58,120
（掌声）

137
00:06:58,960 --> 00:07:04,036
我真的很激动，
因为我们在这个低级的

138
00:07:04,040 --> 00:07:06,320
计算机视觉问题上
有了一个强大的解决方案，

139
00:07:06,320 --> 00:07:10,276
而且任何人都可以
使用它来做些什么。

140
00:07:10,276 --> 00:07:13,466
所以接下来就看所有在座的各位

141
00:07:13,466 --> 00:07:16,360
以及世界上所有
能够使用这个软件的人了，

142
00:07:16,360 --> 00:07:20,030
而我已经等不及想要看看，
人们会用这一技术造出什么来了。

143
00:07:20,030 --> 00:07:21,210
谢谢。

144
00:07:21,210 --> 00:07:24,760
（掌声）