1
00:00:00,825 --> 00:00:01,976
10 年前，

2
00:00:02,000 --> 00:00:04,776
電腦視覺研究人員認為，

3
00:00:04,800 --> 00:00:07,496
要讓電腦辨別貓與狗的差別，

4
00:00:07,520 --> 00:00:09,496
幾乎是比登天還難，

5
00:00:09,520 --> 00:00:13,216
即使用了相當先進的
人工智慧都很難辦到。

6
00:00:13,240 --> 00:00:16,800
現在我們可以把辨別的準確度
提升到 99% 以上。

7
00:00:17,680 --> 00:00:19,536
這技術叫做圖像分類——

8
00:00:19,560 --> 00:00:22,656
給電腦看圖片，
並給圖片貼上標籤——

9
00:00:22,680 --> 00:00:25,720
電腦還可以識別出
許多其它類別的東西。

10
00:00:26,680 --> 00:00:29,576
我目前是華盛頓大學的研究生，

11
00:00:29,600 --> 00:00:31,496
我正在做一個專題叫做「暗黑網路」，

12
00:00:31,520 --> 00:00:33,216
它是一個用來訓練及測試

13
00:00:33,240 --> 00:00:36,056
電腦視覺模型的神經網路架構。

14
00:00:36,080 --> 00:00:39,056
所以，讓我們來瞧瞧暗黑網路

15
00:00:39,080 --> 00:00:40,840
對我們照片識別能力的狀況。

16
00:00:42,520 --> 00:00:44,856
當我們在這張照片上

17
00:00:44,880 --> 00:00:46,096
開啟我們的分類器，

18
00:00:46,120 --> 00:00:48,576
可以看到電腦現在不只
在預測這是狗或貓，

19
00:00:48,600 --> 00:00:50,936
它實際上正在擷取特定品種的預測。

20
00:00:50,960 --> 00:00:53,136
這就是現在我們電腦的粒度等級。

21
00:00:53,160 --> 00:00:54,776
辨別正確。

22
00:00:54,800 --> 00:00:56,640
我的狗的確是隻雪橇犬。

23
00:00:57,040 --> 00:01:01,376
所以，我們在圖像識別上
已經有了很大的進步，

24
00:01:01,400 --> 00:01:03,400
但如果我們用識別器

25
00:01:03,424 --> 00:01:05,384
來辨別這樣的照片呢？

26
00:01:07,080 --> 00:01:08,280
嗯……

27
00:01:12,640 --> 00:01:16,536
可以看到從分類器
得到的預測也相當類似。

28
00:01:16,560 --> 00:01:19,656
沒錯，圖片中有一隻雪橇狗，

29
00:01:19,680 --> 00:01:21,490
但它只給出一個標籤，

30
00:01:21,490 --> 00:01:25,067
我們對這張照片的理解
還不是很完整。

31
00:01:25,091 --> 00:01:26,651
我們需要更強的東西。

32
00:01:27,240 --> 00:01:29,856
我正在研究一個問題，
叫做「物件偵測」，

33
00:01:29,880 --> 00:01:32,816
我們把一張照片中的
所有物體都找出來，

34
00:01:32,840 --> 00:01:34,296
用邊界框把它們框起來，

35
00:01:34,320 --> 00:01:36,290
然後標示它們是那些東西。

36
00:01:36,400 --> 00:01:41,050
我們來看一下當我們在這一張圖片上
執行偵測軟體時，會發生甚麼事。

37
00:01:41,240 --> 00:01:43,496
現在，有了這類的結果，

38
00:01:43,520 --> 00:01:46,216
我們就可以利用電腦視覺演算法，
幫我們做更多的事。

39
00:01:46,240 --> 00:01:49,216
我們可以看到，
電腦知道圖片中有一隻貓和狗。

40
00:01:49,240 --> 00:01:51,496
它知道牠們彼此的相對位置、

41
00:01:51,520 --> 00:01:52,736
大小。

42
00:01:52,760 --> 00:01:54,696
電腦甚至可能知道其它的資訊。

43
00:01:54,720 --> 00:01:56,680
它也看到了背景中有一本書。

44
00:01:57,280 --> 00:02:00,536
如果你想要建立一個
基於電腦視覺系統的實用系統，

45
00:02:00,560 --> 00:02:04,016
比如說，自動駕駛車或機械人系統，

46
00:02:04,040 --> 00:02:06,496
這類就會是你想要的資訊。

47
00:02:06,520 --> 00:02:09,759
你會想要一個可以
與實體世界互動的東西。

48
00:02:10,759 --> 00:02:13,016
當我開始做物件偵測時，

49
00:02:13,040 --> 00:02:16,336
它要花 20 秒才能處理一張圖片。

50
00:02:16,360 --> 00:02:20,240
為了讓各位體會
為什麼這個領域這麼講究速度，

51
00:02:21,120 --> 00:02:23,656
我這邊做個執行物件偵測器的示範，

52
00:02:23,680 --> 00:02:26,096
一張照片只要 2 秒的處理時間。

53
00:02:26,120 --> 00:02:28,736
所以，比 20 秒一張的偵測器

54
00:02:28,760 --> 00:02:32,296
快了 10 倍，

55
00:02:32,320 --> 00:02:34,976
各位可以看到，
在它識別圖像的過程中，

56
00:02:35,000 --> 00:02:37,040
周圍環境已經發生了變化，

57
00:02:37,880 --> 00:02:40,296
但對一個應用軟體而言，

58
00:02:40,320 --> 00:02:41,736
這樣的速度是很鷄肋的。

59
00:02:41,760 --> 00:02:44,256
如果我們把另一個參數調升到 10 ，

60
00:02:44,280 --> 00:02:47,096
這個偵測器每秒
就可以識別 5 張圖片。

61
00:02:47,120 --> 00:02:48,656
這樣好多了，

62
00:02:48,680 --> 00:02:50,656
但，假如，

63
00:02:50,680 --> 00:02:52,976
移動很快的時候……

64
00:02:53,000 --> 00:02:55,560
我可不想在我車上裝這樣慢的系統。

65
00:02:57,120 --> 00:03:00,360
這是在我筆電上運行的
即時偵測系統。

66
00:03:01,000 --> 00:03:04,136
我在框框附近移動的時候，
它可以很順暢地追蹤著我，

67
00:03:04,160 --> 00:03:07,880
而且，它可以根據不同的大小、

68
00:03:09,440 --> 00:03:10,640
姿勢、

69
00:03:11,280 --> 00:03:13,136
前、後來做調整。

70
00:03:13,160 --> 00:03:14,376
太棒了。

71
00:03:14,400 --> 00:03:17,946
如果我們要建立一個
基於電腦視覺系統的實用系統，

72
00:03:17,946 --> 00:03:20,186
這個才會是我真正想要的。

73
00:03:20,186 --> 00:03:23,080
（掌聲）

74
00:03:24,280 --> 00:03:26,456
所以，才幾年的時間，

75
00:03:26,480 --> 00:03:29,136
我們從每 20 秒處理一張照片，

76
00:03:29,160 --> 00:03:32,696
進步到每張照片只要 20 毫秒，
快了 1000 倍。

77
00:03:32,720 --> 00:03:34,136
我們是如何辦到的？

78
00:03:34,160 --> 00:03:37,176
過去，物件偵測系統，

79
00:03:37,200 --> 00:03:39,136
會把一張像這樣的照片，

80
00:03:39,160 --> 00:03:41,616
分割成好幾個小區塊，

81
00:03:41,640 --> 00:03:44,896
然後在每一個小區塊
運行分類器軟體，

82
00:03:44,920 --> 00:03:47,456
相似度得分如果比較高

83
00:03:47,480 --> 00:03:50,616
會被識別器認為照片偵測成功。

84
00:03:50,640 --> 00:03:54,696
但這樣一張圖片要執行
好幾千次的識別指令、

85
00:03:54,720 --> 00:03:58,520
經過好幾千次的神經網路評估
才有辦法偵測出來。

86
00:03:59,240 --> 00:04:03,776
但我們不是這樣做，我們訓練了一個
網路模型來幫我們完成所有的偵測。

87
00:04:03,800 --> 00:04:08,080
它可以同時產出邊界框
並同時對可能的結果進行評估。

88
00:04:08,680 --> 00:04:12,176
有了我們的系統，
你就不用一張圖片看了好幾千遍

89
00:04:12,200 --> 00:04:13,656
才能偵測出來。

90
00:04:13,680 --> 00:04:14,936
你只要看一眼 (YOLO)，

91
00:04:14,960 --> 00:04:17,880
所以我們簡稱這個
物件偵測技術為「YOLO」。

92
00:04:19,360 --> 00:04:23,336
所以，有了這樣的辨識速度，
我們不只可以偵測圖片；

93
00:04:23,360 --> 00:04:25,776
還可以處理即時的影片。

94
00:04:25,800 --> 00:04:28,896
現在各位看到的不是
貓、狗的靜態圖片，

95
00:04:28,920 --> 00:04:33,060
而是有牠們在移動、
互動的動態影片。

96
00:04:34,560 --> 00:04:37,676
這是我們用微軟 COCO 資料集裡

97
00:04:37,676 --> 00:04:41,016
80 種不同的類別

98
00:04:41,040 --> 00:04:44,296
訓練出來的辨識器。

99
00:04:44,320 --> 00:04:47,656
它包含各種東西，
像是湯匙、叉子、碗

100
00:04:47,680 --> 00:04:50,080
這類的日常用品。

101
00:04:50,360 --> 00:04:53,456
它還有很多奇妙的東西：

102
00:04:53,480 --> 00:04:56,736
動物、車子、斑馬、長頸鹿。

103
00:04:56,760 --> 00:04:58,696
現在我們要進行一件好玩的事。

104
00:04:58,720 --> 00:05:00,816
我們會進到觀眾席，

105
00:05:00,840 --> 00:05:02,856
去看看能辨識到哪些東西。

106
00:05:02,880 --> 00:05:04,500
有誰要填充娃娃？

107
00:05:06,000 --> 00:05:08,682
這邊還有一些泰迪熊。

108
00:05:10,040 --> 00:05:14,576
我們現在降低一下
對偵測結果的精確度的要求，

109
00:05:14,600 --> 00:05:18,000
這樣我們可以在觀眾席中
找到更多東西。

110
00:05:19,560 --> 00:05:21,896
我們來看看能不能偵測到停止標誌。

111
00:05:21,920 --> 00:05:23,800
我們有偵測到一些背包。

112
00:05:25,880 --> 00:05:27,720
現在把鏡頭拉近一點。

113
00:05:30,320 --> 00:05:31,576
這真的很厲害。

114
00:05:31,600 --> 00:05:34,050
所有的偵測流程

115
00:05:34,050 --> 00:05:36,870
都可以在筆電裡即時呈現。

116
00:05:37,080 --> 00:05:38,536
更重要的是，

117
00:05:38,560 --> 00:05:41,776
這只是一個一般用的物件偵測系統，

118
00:05:41,800 --> 00:05:46,800
我們還可以訓練它
辨別任何領域的照片。

119
00:05:48,320 --> 00:05:50,856
同樣的程式碼，
放在自動駕駛車裡，

120
00:05:50,880 --> 00:05:53,336
可以偵測到停止標誌、行人、

121
00:05:53,360 --> 00:05:55,336
腳踏車，

122
00:05:55,360 --> 00:05:58,216
但放到組織切片

123
00:05:58,240 --> 00:06:01,256
就可以偵測出癌症細胞。

124
00:06:01,280 --> 00:06:05,320
現在全球有很多研究人員
已經開始在使用這項技術

125
00:06:06,240 --> 00:06:09,656
做進一步的研究，
像是醫藥、機械人領域。

126
00:06:09,680 --> 00:06:11,056
今天早上，我讀到一篇文章，

127
00:06:11,080 --> 00:06:15,656
在奈洛比國家公園裡，
他們要對動物們進行統計調查，

128
00:06:15,680 --> 00:06:18,816
YOLO 就是其使用的
偵測系統的一部分。

129
00:06:18,840 --> 00:06:21,936
而這一切都是因為
暗黑網路是開放原始碼，

130
00:06:21,960 --> 00:06:24,480
在公眾領域，
任何人都可以免費使用。

131
00:06:25,600 --> 00:06:31,296
（掌聲）

132
00:06:31,320 --> 00:06:36,256
但我們希望偵測系統
可以更親民、更好用，

133
00:06:36,280 --> 00:06:40,336
所以在經過模型優化、

134
00:06:40,360 --> 00:06:42,656
網路二值化及近似度化的整合後，

135
00:06:42,680 --> 00:06:46,600
我們終於可以在手機上偵測物件。

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

137
00:06:58,960 --> 00:07:02,316
而我真的相當興奮，因為我們現在

138
00:07:02,360 --> 00:07:07,036
在低階的電腦影像處理問題上
有了相當強力的解決方式，

139
00:07:07,036 --> 00:07:10,216
任何人都可以拿去並創造一些東西。

140
00:07:10,240 --> 00:07:13,416
所以，接下來就看各位

141
00:07:13,440 --> 00:07:16,376
以及全世界所有人
用這個軟體大展身手了，

142
00:07:16,400 --> 00:07:20,056
我真的等不及想看看你們
用這項科技所做出來的產品。

143
00:07:20,080 --> 00:07:21,296
謝謝。

144
00:07:21,320 --> 00:07:24,760
（掌聲）