幾年前，人工智能技術(shù)之機器學(xué)習(xí)有了一項重大的突破：能夠識別圖片中的事物，而且準(zhǔn)確率極高。而目前該技術(shù)的瓶頸在于，機器能否理解圖片中事物蘊含的意義。

一個名叫Visual Genome的新圖像數(shù)據(jù)庫或?qū)⑼苿佑嬎銠C實現(xiàn)此目標(biāo)，并幫助測量計算機在理解真實世界進程中獲得的進步。教導(dǎo)計算機分析視覺場景是人工智能的根本。這不僅將產(chǎn)生更多有用的視覺算法， 而且能夠幫助訓(xùn)練計算機更有效地進行交流。因為，語言與物質(zhì)世界的表現(xiàn)具有非常緊密的聯(lián)系。

Visual Genome由專門從事計算機視覺研究的教授以及斯坦福大學(xué)人工智能實驗室主任李菲菲（音譯）與幾位同事合作開發(fā)。“我們關(guān)注計算機視覺中最困難的問題，它們是連接從感知到認(rèn)知的橋梁。”李菲菲表示，“不只是輸入像數(shù)數(shù)據(jù)然后識別顏色、陰影等這類要素，而是真正將其轉(zhuǎn)化成3D的認(rèn)識，以及對完整的視覺語義世界的理解?！?/p>

李菲菲和同事曾創(chuàng)立ImageNet，一個包含了超過100萬張帶有內(nèi)容標(biāo)記的圖片的數(shù)據(jù)庫。每一年的ImageNet大型視覺識別挑戰(zhàn)賽，就是使用這個數(shù)據(jù)庫來測試計算機自動識別圖像內(nèi)容的能力。最近一次ImageNet大賽是在2015年12月，微軟憑借多達152層的深層神經(jīng)網(wǎng)絡(luò)獲勝。

計算機視覺革命是一場持久的斗爭。2012年，這項技術(shù)迎來了關(guān)鍵的轉(zhuǎn)折點，那時加拿大多倫多大學(xué)贏得了ImageNet比賽，他們使用非監(jiān)督的逐層貪心訓(xùn)練算法成功讓機器基于目前最大的圖像數(shù)據(jù)庫進行分類識別，而不是依靠人為制定的規(guī)則。多倫多團隊的成就標(biāo)志著深度學(xué)習(xí)的繁榮以及更普遍人工智能的復(fù)興。深度學(xué)習(xí)已經(jīng)在許多其它領(lǐng)域得到了應(yīng)用，也讓計算機能更好地處理其它重要任務(wù)，比如音頻和文本處理。

多倫多大學(xué)團隊的成就標(biāo)志著深度學(xué)習(xí)研究的熱潮興起，以及人工智能的復(fù)興。深度學(xué)習(xí)開始應(yīng)用于多個領(lǐng)域，使得計算機在執(zhí)行音頻和文本處理等任務(wù)時變得越來越能干。

Visual Genome圖像的標(biāo)記比ImageNet更多，包括圖像中各種物體的名稱和細(xì)節(jié)、這些物體之間的關(guān)系以及正在發(fā)生的動作蘊含的信息等等。這些識別標(biāo)記是使用眾包方式完成的，該技術(shù)由李菲菲的斯坦福同事Michael Bernstein開發(fā)。

未來，使用Visual Genome的案例訓(xùn)練出來的算法不只是能夠識別物體，還應(yīng)該擁有對更復(fù)雜視覺場景的分析能力。

何為場景分析？李菲菲說道：“一個人坐在一間辦公室內(nèi)，但是什么樣的布局，里面的人是誰，他在做什么，周圍有什么擺設(shè)，當(dāng)時正發(fā)生什么事？——我們需要將感知、認(rèn)知與語言相連接?！?/p>

而這些技術(shù)最終可以應(yīng)用中方方面面，比如除了在線圖片管理等較簡單的應(yīng)用，它還可以用于幫助機器人或自動駕駛汽車更精確地識別周圍場景。它們可以指導(dǎo)計算機理解物質(zhì)世界，從而獲得更多的常識。

機器學(xué)習(xí)專家兼人工智能初創(chuàng)公司MetaMind創(chuàng)始人Richard Sochar表示，語言很大程度上是關(guān)于描述視覺世界的。
Visual Genome并不是唯一一個面向人工智能研究的圖像數(shù)據(jù)庫。比如，微軟也有一個名叫Common Objects in Context的數(shù)據(jù)庫，同時，谷歌、Facebook和其它公司也在加強人工智能算法分析視覺場景的能力。

via technologyreview

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。