我看见的世界(50)_李飞飞

五〇

　　▼08 实验验证

　　（Experimentation）

　　在ImageNet的帮助下，AlexNet焕发生机，它贪婪地吸收着ImageNet的内容，在ImageNet规模和多样性的土壤中生根发芽，茁壮成长。

　　秋色已尽染日本京都。午后的阳光明媚，从子弹头列车的车窗向外望去，绿色、橙色和红色飞掠而过，如同一幅幅生动的画作。列车以每小时320千米的速度飞驰着，窗外的乡村树木葱郁，景色绚丽。然而，美景当前，我却无心欣赏。这段旅程漫长而艰辛，焦虑如影随形。在之前的计算机视觉与模式识别大会上，ImageNet三流水准的初次亮相令人失望，此后的几个月更是连遭挫败。我们的批评者依然对这个数据集不屑一顾，其他研究实验室也对其兴趣寥寥，ImageNet走向无人问津似乎已经不可避免。为了力挽颓势，我临时决定去尽可能多的大学做现场讲解，尽管听众席上坐的往往是持怀疑态度的研究生和博士后。我能做的不多，但仅仅是让这个不可避免的结局推迟出现，也感觉像是一场小小的胜利。

　　现在，提高我们知名度的又一个大好机会就在眼前，今年的国际计算机视觉会议即将在京都召开。与我同行的是亚历克斯·伯格（Alex Berg），他是纽约州立大学石溪分校的助理教授，也是跟我志同道合的计算机视觉研究者，他的研究生导师是吉滕德拉。亚历克斯极具天赋，他本着与我和彼得罗协作时相似的精神，致力于探索“物体识别”的挑战。他在博士论文中使用了Caltech 101，对数据集的价值非常认同，也成为ImageNet为数不多的支持者之一。能与同道中人共勉固然让人振奋，但也凸显了前路之孤寂和艰辛。

　　眼下的一切与我们刚搬到斯坦福大学的实验室时的兴奋之情形成了鲜明对比。彼时的我们坚定地认为，我们所掌握的不仅仅是一个数据集，更是一个测试平台，可以把我们的想法与整个视觉世界联系起来，拓宽我们算法的感知能力，同时用比以往更严格的方式对算法进行测试。如果说可以把图像数据集视为计算机视觉研究的语言（也就是算法及其开发人员可以探索的概念集合），那么ImageNet就是词汇量的突然爆发性增长。

　　我们实验室所做的每一件事都充满了活力。有一次，我们利用ImageNet快速训练了数百个图像分类算法的实例，让它们识别一组日常事物，然后将所有实例应用在一张照片上。实验目的并不是简单地检测单个物体的存在，而是通过寻找物体组合来诠释整个场景。例如，如果检测算法发现了一个人、一艘船、一只桨和一片水域，它就会将照片作为一个整体归类为“划船”。这是一种更深层次的理解，可以说接近于原始的视觉推理。

　　就像我们那个时代的许多实验一样，我们使用的算法准确性很不稳定，还有很大的改善空间。毕竟，就连简单的图像识别也仍处于起步阶段。但困难只会进一步激发我们的冒险精神。我们的研究大胆且具有前瞻性，虽然并不完备，但能引发思考，其中很多在概念上也很简单。但直到ImageNet出现，一切才变得切实可行起来。

　　与此同时，邓嘉也开始在学术领域崭露头角。在ImageNet发布后一年左右，他发表了题为《对超过10000个图像进行分类能告诉我们什么》的论文，总结了ImageNet出现后图像识别领域发生的根本性变化。尽管论文技术性很强，但其中所蕴含的哲学思想使它有别于一般的学术论文。这篇论文宛如一个预言，甚至触及了存在的本质。邓嘉认为，ImageNet不仅代表了规模的扩大，还代表了分类逻辑的转变，类似于物理学领域的“相变”，在这种转变中，甚至现象的最基本属性也会发生变化。ImageNet极大地拓宽了算法面临的可能性，但因为规模太大，也给算法造成了挑战（相比而言，小型数据集就不会有这个问题）。

　　说得更专业一些，ImageNet所提供的“语义空间”在不断扩大的同时，也变得更加密集，导致正确答案与错误答案之间的差距越来越小。在实际应用中，这通常意味着那些在区分少量差异较大的类别时运行出色的技术，在处理ImageNet的上万个类别时会表现不佳，因为很多类别之间的差别都非常细微。有些技术甚至会完全失效。这种现象刚开始时令人羞愧，但最终会催人振奋，因为它表明未来的算法不仅是当前算法的改进，而且会以一种我们预料不到的方式，从根本上发生变化。

　　“你知道我最喜欢Caltech 101哪一点吗？”亚历克斯的话把我拉回了现实，“除了里面的训练数据，它还让我有机会用完全相同的图像，把我的研究结果和你的进行比较，做同类对比。”

　　“相当于一个基准。”我回答道。

　　“没错，这样就很容易衡量进展。还有什么比这更能激励研究人员呢？就像是发起了一个挑战，就像打赌一样。”

　　就像打赌一样，我喜欢这个说法。

　　“那么……如果我们用ImageNet做同样的事呢？”我问道，边思考边说，“或者，干脆我们就用ImageNet搞一个完整的竞赛怎么样？”

　　“你是说像PASCAL那样的吗？”

　　PASCAL视觉对象类别数据集（通常称为PASCAL VOC）是一个欧洲研究团队汇编的数据集，包含大约1万张图片，分为20个类别。PASCAL VOC与Caltech 101类似，但有一个重要区别：PASCAL VOC是年度计算机视觉大赛的基础数据集。该大赛始于2005年，每年都有来自世界各地的参赛者提交经过PASCAL VOC训练的算法，然后用这些算法去识别一组以前没有见过的新图片，最后根据分类的准确度对算法进行排名，错误率最低的即为获胜算法。比赛既具有协作性，又具有竞争性，吸引了各方对计算机视觉领域最新进展的关注。而参赛者所使用的数据集仅有ImageNet的千分之一大小。

　　“那就有意思了。”亚历克斯回答道，“我都可以想象研究人员在互相交流新想法的时候问：‘它在ImageNet上的表现怎么样？’”

　　这样一来，ImageNet也成了计算机视觉领域的北极星了，我想。

　　如果邓嘉论文的核心思想是正确的，如果ImageNet真的会引起一场大洗牌，带来新的规则、新的直觉，甚至全新的范式，那么还有什么比通过比赛来探索这个数据集更好的方式呢？激烈的竞争压力可以激发合作的集体力量。比赛要遵循一定的规则，但又要有探索性。即使经过多年的努力创建了ImageNet，仅仅是想像着把它做成比赛，也为它注入了新的生机。

　　这也意味着将ImageNet推向世界的工作尚未结束。

　　※

虚阁网(Xuges.com)