【AIDL】山世光：从人脸识别看深度学习对计算机视觉的推动及挑战（附PPT）

导读

2016年12月，中国人工智能学会举办了第一期AIDL《人工智能前沿讲习班》上，国内著名人脸识别专家、中科院计算所山世光研究员畅谈了从人脸识别看深度学习对计算机视觉的推动及挑战。值得注意的是，山世光研究员指出近期人脸识别进展的最大特点，“人脸识别不再搞特殊化了”。此外，他还简要的介绍了由他带领的中科视拓的主打产品SeetaFace人脸识别引擎的框架及技术。并对媒体追捧AI表达了很理性的看法：“切勿过度承诺，避免第三次AI寒冬”。

一：深度神经网络的源起以及变迁

报告第一部分山世光老师从人类视觉系统引入，深入浅出的对计算机视觉近几十年来的发展的关键问题和方法做了回顾。并着重的介绍了自2012年起视觉智能突飞猛进的进步,并从生物系统的启示类比了深度神经网络的源起以及变迁。

二：人脸识别不再搞特殊化了！

山世光指出：在传统的计算机视觉问题框架下，知识驱动的特征模型是区别不同识别任务（比如人脸、物体识别问题）的关键所在，这些特征有的侧重全局纹理特征，有的侧重局部特征。然而受益于完全数据驱动的端到端的深度学习模型，人脸检测识别不再搞特殊化了，通用的检测与识别技术几乎完全适用于人脸处理。

三：SeetaFace最新进展

在这一部分，山老师终于揭开了SteetaFace的面纱，这一款人脸检测识别引擎有三部分组成，分别是检测器Detector、校正器Alignment以及认证器Identification。其中检测器是基于漏斗结构的级联人脸检测模型，由粗到精分别使用Adaboost和MLP感知器算法，平衡了速度和精度。关于人脸校正，SteetaFace引擎同样采用了一种由粗到精的结构，每个尺度下关键点的抽取都是基于自动编码机。SeetaFace的识别模块则为对AlexNet上做了一些改良。

四：切勿过度承诺，避免第三次AI寒冬

最后山老师指出“前两次AI热潮因不能兑现承诺而进入寒冬”，目前的“AI大热背后我们需要理性度量进步”，切勿过度承诺，避免第三次AI寒冬。其中原因主要有以下四点：

其一:通用的AI尚未出现，各种系统都是跟任务及其相关的；

其二：大多数AI不能自我成长，现今并没有一套非常好的自学习，无监督学习的系统，AI系统无法理性的判断其生成的结果；

其三：过度依赖于有标注的大数据，有标注大数据的红利可能即将消失；

其四：AI系统的鲁棒性难以保障，很多异常行为无法依赖大数据来解决。

关注公众号，回复“AIDL山世光”即获取PPT全文下载。

推荐阅读

【AIDL】中科院自动化所王亮研究员：深度学习与视觉计算