機器視覺：你已被鎖定

暗號大老爺

這幅圖讓我很好奇，你們機器人是如何確定一個物體的呢？換句話說，你們有視覺這種東西存在嗎？

當然有！機器可以實現多譜段拍攝，能同時從紅外光譜和可見光譜里獲取信息，你們人類行嗎？

那如果這個機器人要炸掉房子，但是不想傷到少年和貓怎么辦？

這個操作難度……還是從圖像識別說起吧，大概分這么幾步，跟把大象裝進冰箱差不多：

首先是目標分割，按照攝像頭拍到的像素，把貓、人、背景的圖層分出來；第二是目標檢測，確定貓和人的那堆像素是我們要的目標；第三是目標識別，確定那堆像素在我們的定義里叫做貓和人；最后就可以進行目標追蹤了，畢竟貓很容易跑……

完美！那如果我需要把貓和人攥在手里救出來呢？

這就涉及對空間位置的標定了。因為上面所說的只是貓和人在成像中的位置而已，如果需要機器人去干涉，還需要確定攝像頭、機械臂跟目標的相對位置、姿態等等。

那豈不是要無數程序員來加班修正手眼齊到的過程？

現在是機器自主學習的時代了。我來打個比方，告訴你那些工業機械臂是怎么熟悉自己的工作的：你晚上把一堆花生米和一個碗放在它面前，然后給它一雙筷子，第二天早上起來就會發現它們已經學會了把花生米夾進碗里。晚上發生了什么呢？它們每練習一次“手到眼到”的夾花生米過程，無論成功與否都會記下自己的動作策略，修正自我控制的策略，最后得出一個夾花生米的學習模型。這個過程叫作深度學習，可以說是一種深度人工神經網絡。

據說目前實用的深度學習領域，在語音和圖像方面進步最大。

因為在生活中接受信息，人們最依賴的就是視覺和聽覺。說起來碳基生命的視覺經過幾億年的進化，已經形成了一套自己的體系，不光精確度值得我們AI學習，連一些bug我們也得捎帶著學了。

哪有什么bug呀……

就是“視錯覺”。人和機器會“看”到相同的東西，但對它的“解釋”可能完全不同。比如經典的“兩個瓶子之間的空間就像一張人臉”的圖，那是只有你們人類才能get的點！因為人類有一個思維習慣是從具體的圖像里面提取出抽象的意義，這種不確定性是我們AI目前尚不能理解的。所以，暫時只能分析下貓貓狗狗了。