【中國(guó)數(shù)字視聽(tīng)網(wǎng)訊】神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)與神經(jīng)生物學(xué)之間啟發(fā)式的聯(lián)系

19世紀(jì)末期20世紀(jì)初從事解剖學(xué)領(lǐng)域研究的科學(xué)家們提出的神經(jīng)元理論奠定了現(xiàn)代神經(jīng)系統(tǒng)研究的基礎(chǔ)，而這也成為了40年之后其它領(lǐng)域的科學(xué)家們?cè)O(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型的靈感之源。從1940年至1980年這40年間，心理學(xué)家、數(shù)學(xué)家以及計(jì)算機(jī)科學(xué)家們基于此理論(與圖模型理論深度結(jié)合)不斷地改進(jìn)模型，使人工神經(jīng)網(wǎng)絡(luò)算法逐漸從理論探討邁向了工程實(shí)踐。具體來(lái)說(shuō)，神經(jīng)元理論提出的神經(jīng)元和突觸概念被抽象化為DAG(或者UAG)中的頂點(diǎn)與邊，從而組成了一個(gè)完整的神經(jīng)網(wǎng)絡(luò)模型(例如多層感知機(jī));理論提出的聯(lián)結(jié)特異性原理(特定的神經(jīng)元只能與另外一些特定神經(jīng)元發(fā)生聯(lián)系)進(jìn)一步激發(fā)了諸如嚴(yán)格玻爾茲曼機(jī)的研究;而動(dòng)態(tài)極化原理(在神經(jīng)元內(nèi)部信號(hào)僅向一個(gè)方向傳遞)則幫助人們?cè)O(shè)計(jì)出了經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

而對(duì)靈長(zhǎng)類(lèi)動(dòng)物初級(jí)視覺(jué)系統(tǒng)的研究，人們基于視網(wǎng)膜上的神經(jīng)節(jié)細(xì)胞只能對(duì)視場(chǎng)中某一特定位置產(chǎn)生響應(yīng)(感受野)這個(gè)事實(shí)，創(chuàng)造性地將卷積、池化等引入了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，如此簡(jiǎn)潔精妙的設(shè)計(jì)構(gòu)思有效限制了由于網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜而引起的參數(shù)爆炸性增長(zhǎng);同時(shí)還提高了算法的計(jì)算效率。

其余的例子不勝枚舉。神經(jīng)元細(xì)胞彼此之間發(fā)生的抑制作用讓神經(jīng)網(wǎng)絡(luò)(特別是深度學(xué)習(xí))的設(shè)計(jì)者們創(chuàng)造出了各種技巧。視覺(jué)上的側(cè)抑制效應(yīng)則催生了局部響應(yīng)歸一化層的構(gòu)造;而我們從ReLU、Dropout等設(shè)計(jì)上不難看出神經(jīng)元細(xì)胞之間互補(bǔ)性控制的影子。

深度學(xué)習(xí)算法則是基于上述事實(shí)對(duì)人腦進(jìn)一步的仿生方式。人類(lèi)的大腦皮層由四個(gè)區(qū)域構(gòu)成：額葉、頂葉、枕葉、顳葉。神經(jīng)生物學(xué)研究表明，在枕葉中存在著兩條信息處理通路：腹側(cè)通路與背側(cè)通路，其中腹側(cè)通路從枕葉向下延伸至顳葉下部，加工對(duì)象或場(chǎng)景的視覺(jué)外觀，如形狀、顏色、亮度、質(zhì)地和大小等。進(jìn)一步的研究表明，腹側(cè)通路中，不同區(qū)域內(nèi)的神經(jīng)元僅對(duì)特定的視覺(jué)基元(visual primitives)產(chǎn)生響應(yīng)。例如，V1區(qū)域?qū)?jiǎn)單的邊緣與紋理產(chǎn)生響應(yīng);V2區(qū)域?qū)ι鲜鲞吘壟c紋理組合形成的簡(jiǎn)單形狀產(chǎn)生響應(yīng);而V4區(qū)域則對(duì)上述形狀組合而成的更高級(jí)特征產(chǎn)生響應(yīng)。連同將原始光信號(hào)轉(zhuǎn)換為生物電信號(hào)的人眼視網(wǎng)膜組織，腹側(cè)通路的這些區(qū)域形成了一條自底向上的信息處理鏈。信息從原始的像素開(kāi)始，逐級(jí)抽象，從簡(jiǎn)單到復(fù)雜，低級(jí)到高級(jí)，形成了人類(lèi)的視覺(jué)認(rèn)知。打個(gè)比方，卷積神經(jīng)網(wǎng)絡(luò)好比是大腦皮層的枕葉(負(fù)責(zé)處理視覺(jué)信息)，而循環(huán)神經(jīng)網(wǎng)絡(luò)則是大腦皮層的顳葉(負(fù)責(zé)處理時(shí)域信息)。

安防監(jiān)控產(chǎn)業(yè)與深度學(xué)習(xí)之間的聯(lián)系

現(xiàn)在讓我們將討論的話題切換到安防領(lǐng)域上來(lái)。安防監(jiān)控系統(tǒng)是應(yīng)用光纖、同軸電纜或微波在其閉合的環(huán)路內(nèi)傳輸視頻信號(hào)，并從攝像到圖像顯示和記錄構(gòu)成獨(dú)立完整的系統(tǒng)。它能實(shí)時(shí)、形象、真實(shí)地反映被監(jiān)控對(duì)象，不但極大地延長(zhǎng)了人眼的觀察距離，而且擴(kuò)大了人眼的機(jī)能，它可以在惡劣的環(huán)境下代替人工進(jìn)行長(zhǎng)時(shí)間監(jiān)視，讓人能夠看到被監(jiān)視現(xiàn)場(chǎng)實(shí)際發(fā)生的一切情況，并通過(guò)錄像機(jī)記錄下來(lái)。同時(shí)報(bào)警系統(tǒng)設(shè)備對(duì)非法入侵進(jìn)行報(bào)警，產(chǎn)生的報(bào)警信號(hào)輸入報(bào)警主機(jī)，報(bào)警主機(jī)觸發(fā)監(jiān)控系統(tǒng)錄像并記錄。從對(duì)安防監(jiān)控的描述中我們可以知道，信號(hào)的來(lái)源主要為視頻和圖像，換而言之主要的信號(hào)源與“視覺(jué)”相關(guān)。用通俗的話來(lái)進(jìn)行描述，安防監(jiān)控系統(tǒng)就是通過(guò)器械(攝像頭等)讓人們“看”到外部世界并對(duì)“感興趣”事件產(chǎn)生預(yù)警的系統(tǒng)。

傳統(tǒng)的安防監(jiān)控系統(tǒng)以“人防”為主，但人防的缺點(diǎn)顯而易見(jiàn)：隨著需要監(jiān)控的視頻通道數(shù)的增加，所需的人力也會(huì)相應(yīng)增加，其直接影響就是遠(yuǎn)高于收益的人力成本與遠(yuǎn)低于回報(bào)的工作效率。正是由于這個(gè)原因，現(xiàn)在的安防監(jiān)控系統(tǒng)都以“技防”為主，即用無(wú)間歇工作的智能算法來(lái)代替無(wú)法長(zhǎng)時(shí)間保持高效的人力對(duì)視頻畫(huà)面進(jìn)行監(jiān)控。而讓智能算法徹底代替人力的愿景，在深度學(xué)習(xí)出現(xiàn)以前，如同科幻小說(shuō)一般，僅僅停留在人們的腦海中，猶如紙上談兵，無(wú)法落地。雖然傳統(tǒng)的智能算法能夠在特定環(huán)境和特定時(shí)間下表現(xiàn)出良好的性能，但只要一項(xiàng)因子發(fā)生改變(畫(huà)質(zhì)、環(huán)境等)，傳統(tǒng)智能算法在應(yīng)用上表現(xiàn)出的性能就會(huì)出現(xiàn)明顯的下降。換句話說(shuō)，傳統(tǒng)的智能算法相比于人類(lèi)的大腦，欠缺的是對(duì)于所學(xué)“知識(shí)”的遷移能力。欠缺這種能力的本質(zhì)原因則需要讀者對(duì)機(jī)器學(xué)習(xí)具備一定的了解：實(shí)際問(wèn)題中數(shù)據(jù)的分布呈現(xiàn)出高度的復(fù)雜性，我們感興趣的對(duì)象的特征往往位于嵌入在更高維度的空間中的低維流型上。流型的維度雖低，但其幾何結(jié)構(gòu)并不簡(jiǎn)單。更加嚴(yán)格地說(shuō)，其超表面呈現(xiàn)高度的非線性性。傳統(tǒng)的智能算法背后其實(shí)對(duì)應(yīng)著傳統(tǒng)的機(jī)器學(xué)習(xí)方法，而這些傳統(tǒng)的機(jī)器學(xué)習(xí)方法大多被設(shè)計(jì)使用線性超曲面來(lái)近似表征數(shù)據(jù)的流型;另外一些方法則通過(guò)所謂的核技巧來(lái)進(jìn)行線性到非線性的“魔法”。這些方法雖然具有很好的數(shù)學(xué)定義，有些甚至具備優(yōu)雅的解析解，但“現(xiàn)實(shí)往往是殘酷的”：數(shù)學(xué)是人們形式化用于描述自然界如何工作的途徑，但對(duì)于人類(lèi)大腦而言，目前的科技水平并沒(méi)有解碼其工作原理。因此，確定的、有邏輯因果聯(lián)系的過(guò)程在目前看來(lái)并不適用于這個(gè)領(lǐng)域。

而深度學(xué)習(xí)則另辟蹊徑，在神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)之初人們就賦予了其仿生的屬性。這門(mén)學(xué)科與其說(shuō)是一門(mén)科學(xué)，還不如說(shuō)是一門(mén)藝術(shù)。目前大部分行之有效的技巧或方法往往來(lái)自于研究人員 的直覺(jué)，而不是嚴(yán)謹(jǐn)?shù)耐茖?dǎo)。對(duì)此詳細(xì)的說(shuō)明超出了本文的范疇，在這里省略。總而言之，深度學(xué)習(xí)中的一個(gè)重要分支——卷積神經(jīng)網(wǎng)絡(luò)及其相關(guān)技巧解決了(在若干特定任務(wù)上，已經(jīng)接近甚至超越了人類(lèi)視覺(jué)系統(tǒng))計(jì)算機(jī)如何“看世界”的問(wèn)題;而智能安防產(chǎn)業(yè)的首要數(shù)據(jù)來(lái)源便是圖像和視頻，因此這兩者能夠獲得相當(dāng)高的默契度。

雖然從引起工業(yè)界的關(guān)注至今僅過(guò)了4個(gè)年頭，深度學(xué)習(xí)已然得到了安防產(chǎn)業(yè)的青睞。由于其對(duì)人類(lèi)視覺(jué)系統(tǒng)的模仿，凡是人眼能夠勝任的智能安防應(yīng)用，都可以應(yīng)用深度學(xué)習(xí)技術(shù)得以解決(不同程度上地)。往廣的范疇上來(lái)說(shuō)，智能應(yīng)用無(wú)非是檢測(cè)、跟蹤、識(shí)別三大主流方向;而如今無(wú)論是學(xué)術(shù)界還是工業(yè)界，這三大視覺(jué)主流方向已經(jīng)牢牢地被深度學(xué)習(xí)占領(lǐng)了。相比于傳統(tǒng)的智能算法，融合了深度學(xué)習(xí)的智能算法所得到的性能往往是突破性的。毫不夸張地打個(gè)比方，就好像四缸渦輪增壓發(fā)動(dòng)機(jī)與普通柴油發(fā)動(dòng)機(jī)的區(qū)別。圍繞著這三大主流應(yīng)用方向，深度學(xué)習(xí)的觸角觸及了行業(yè)的方方面面：人臉檢測(cè)、車(chē)輛檢測(cè)、非機(jī)動(dòng)車(chē)檢測(cè)、人臉識(shí)別、車(chē)輛品牌識(shí)別、行人檢索、車(chē)輛檢測(cè)、人體屬性、異常人臉檢測(cè)、人群行為分析、各種感興趣目標(biāo)的跟蹤……

讓深度學(xué)習(xí)能夠如此大行其道的關(guān)鍵要素是數(shù)據(jù)，這也是深度學(xué)習(xí)獨(dú)創(chuàng)性的哲學(xué)——從數(shù)據(jù)中學(xué)習(xí)特征(數(shù)據(jù)的表征)——的立命之本。也就是說(shuō)，大數(shù)據(jù)造就深度學(xué)習(xí)。而占大數(shù)據(jù)總量60%以上的為視頻監(jiān)控?cái)?shù)據(jù)，同時(shí)每年仍舊以20%的速度遞增。這樣的速度與規(guī)模得益于監(jiān)控視頻的高清化——1080P已經(jīng)越來(lái)越普及，4K甚至更高的分辨率逐漸在重要場(chǎng)所得到應(yīng)用——以及人們對(duì)營(yíng)造智能安全的社會(huì)居所的迫切需求。

更加讓人們感到充滿希望的是，深度學(xué)習(xí)算法不僅僅被動(dòng)地接受數(shù)據(jù);相應(yīng)地，它在吸收原有數(shù)據(jù)的基礎(chǔ)上，能夠增量式地提升模型的性能，給予數(shù)據(jù)的選擇過(guò)程一種反饋——形成一種數(shù)據(jù)選擇機(jī)制，能夠分辨哪種類(lèi)型的數(shù)據(jù)有助于持續(xù)提升模型性能，哪種類(lèi)型的數(shù)據(jù)則是毫無(wú)幫助的——從而最終形成一種良性循環(huán)體系。

未來(lái)的安防產(chǎn)業(yè)

歷史已經(jīng)昭示，科學(xué)技術(shù)的發(fā)展趨勢(shì)呈現(xiàn)高度的指數(shù)性質(zhì)，初始階段為線性或者次線性，而加速階段則是超線性。安防產(chǎn)業(yè)也不例外。

未來(lái)是不可預(yù)知的，因此對(duì)于未來(lái)安防產(chǎn)業(yè)的預(yù)測(cè)也是自由的。我認(rèn)為未來(lái)的安防產(chǎn)業(yè)將呈現(xiàn)兩極化的趨勢(shì)：更加偏重于宏觀的智慧城市大安防化與更加側(cè)重于微觀的民用服務(wù)微安防化。這兩者的發(fā)展都離不開(kāi)高度互聯(lián)的物聯(lián)網(wǎng)技術(shù)以及接近完美的人工智能技術(shù)。前者在很多安防類(lèi)文獻(xiàn)或書(shū)籍中都被頻繁說(shuō)明，在此由于篇幅所限不再贅述。由于所提甚少(即使被提起，也是在其它領(lǐng)域)，我個(gè)人更加偏好于對(duì)后者的闡述。

安防始于對(duì)公共安全的防范與保護(hù)，其更加偏向于整體的概念，是以“集合”的安全來(lái)覆蓋“個(gè)體”的安全;而隨著人們生活質(zhì)量的持續(xù)攀升，他們將不會(huì)僅滿足于能夠保護(hù)群體安全的方式，勢(shì)必產(chǎn)生對(duì)自身特殊化安全的需求。根據(jù)聯(lián)合國(guó)最新的人口數(shù)據(jù)預(yù)測(cè)，2011年以后的30年里，中國(guó)人口老齡化將呈現(xiàn)加速發(fā)展態(tài)勢(shì)，60歲及以上人口占比將年均增長(zhǎng)16.55%，2040年60歲及以上人口占比將達(dá)28%左右。在這30年里，中國(guó)開(kāi)始全面步入老齡化社會(huì)。到2050年，60歲及以上老人占比將超過(guò)30%，社會(huì)進(jìn)入深度老齡化階段。這意味著“養(yǎng)老”將會(huì)成為那時(shí)社會(huì)的一個(gè)主要問(wèn)題，而這個(gè)問(wèn)題所帶來(lái)的市場(chǎng)也是無(wú)比廣闊的。能夠解決這一矛盾的重要一環(huán)便是人工智能技術(shù)(目前來(lái)看，深度學(xué)習(xí)技術(shù)已經(jīng)讓人們看到了實(shí)現(xiàn)人工智能技術(shù)的可能性)。

未來(lái)的安防產(chǎn)業(yè)，靜態(tài)攝像頭將被動(dòng)態(tài)的移動(dòng)智慧安防服務(wù)型機(jī)器人所取代。這些機(jī)器人能夠通過(guò)嵌入在其身體上的各類(lèi)傳感器搜集周遭環(huán)境中的信息，通過(guò)人工智能算法生成其對(duì)周?chē)h(huán)境的時(shí)空模型，從而理解環(huán)境并與環(huán)境發(fā)生交互。以養(yǎng)老產(chǎn)業(yè)來(lái)說(shuō)，機(jī)器人能夠通過(guò)視覺(jué)傳感器提供的深度信息和RGB圖像信息，結(jié)合聲音傳感器提供的語(yǔ)音信息理解被服務(wù)對(duì)象的表情、感受，從而推斷出被服務(wù)對(duì)象的需求。無(wú)法自理又無(wú)人照料的老人將通過(guò)自然交談控制機(jī)器人為他們拿取藥品、生活必需品，為他們購(gòu)物、烹飪、打掃、處理飲食起居。機(jī)器人個(gè)體之間也將進(jìn)行自我驅(qū)動(dòng)式的互聯(lián)，通過(guò)這種方式“分享”各自的經(jīng)驗(yàn)，通過(guò)學(xué)習(xí)不斷改進(jìn)操作上述各類(lèi)事務(wù)的技巧。所有個(gè)體的數(shù)據(jù)同時(shí)也能被上傳到數(shù)據(jù)中心，人們能夠?qū)崟r(shí)監(jiān)測(cè)每個(gè)老人的健康狀況，并據(jù)此做出及時(shí)正確的響應(yīng)措施。

著名的未來(lái)學(xué)家雷•庫(kù)茲韋爾曾經(jīng)預(yù)測(cè)過(guò)2045年人類(lèi)科技發(fā)展將到達(dá)奇點(diǎn)。如果是這樣的話，安防產(chǎn)業(yè)勢(shì)必將成為這一新宇宙的璀璨星云。

（編輯：gaolq）