想知道如何做好“計(jì)算機(jī)視覺”，先得知道“如何做好研究”。

作者簡(jiǎn)介

華剛博士是微軟亞洲研究院資深研究員，現(xiàn)任微軟亞洲研究院計(jì)算視覺組負(fù)責(zé)人。他的研究重點(diǎn)是計(jì)算機(jī)視覺、模式識(shí)別、機(jī)器學(xué)習(xí)、人工智能和機(jī)器人，以及相關(guān)技術(shù)在云和移動(dòng)智能領(lǐng)域的創(chuàng)新應(yīng)用。他因在圖像和視頻中無限制環(huán)境人臉識(shí)別研究做出的突出貢獻(xiàn)，于2015年被國際模式識(shí)別聯(lián)合會(huì)（International Association on Pattern Recognition）授予”生物特征識(shí)別杰出青年研究員”獎(jiǎng)勵(lì)，因其在計(jì)算機(jī)視覺和多媒體研究方面的杰出貢獻(xiàn)，于2016年被遴選為國際模式識(shí)別聯(lián)合會(huì)院士（IAPR Fellow）和國際計(jì)算機(jī)聯(lián)合會(huì)杰出科學(xué)家（ACM Distinguished Scientist）。華剛博士已在國際頂級(jí)會(huì)議和期刊上發(fā)表了120多篇同行評(píng)審論文。他將擔(dān)任2019國際模式識(shí)別和計(jì)算機(jī)視覺大會(huì) （CVPR 2019）的程序主席，以及CVPR 2017和ACM MM 2017的領(lǐng)域主席。

此前華剛博士曾擔(dān)任CVPR 2014、ICCV 2011、ACM MM 2011/ 2012/ 2015、ICIP 2012/2013/2015/2016、ICASSP 2012/ 2013等十多個(gè)頂級(jí)國際會(huì)議的領(lǐng)域主席，以及IEEE Trans. on Image Processing（2010-2014）編委。目前，華剛博士還擔(dān)任著IEEE Trans. on Image Processing、IEEE Trans. on Circuits Systems and Video Technologies、IEEE Multimedia、CVIU、MVA和VCJ的編委。

“如何做好計(jì)算機(jī)視覺的研究？”

要回答這個(gè)問題，我們先要對(duì)這個(gè)問題的關(guān)鍵詞進(jìn)行分析：如果去掉“計(jì)算機(jī)視覺”這個(gè)限定詞，這問題就變成了“如何做好研究？”那么，要回答這個(gè)問題，我們就要知道“什么是好的研究？”而要定義什么是好的研究，必須回到根本，先要知道“什么是研究？”

我們的討論就從這個(gè)問題開始。

什么是研究？

一個(gè)被普遍接受的對(duì)研究的廣義定義為：研究是為了產(chǎn)生新的知識(shí)或者是為已有的知識(shí)設(shè)計(jì)新的應(yīng)用的系統(tǒng)性的工作。因?yàn)槲覀兘裉斓挠懻撈鋵?shí)更多集中在科學(xué)研究上，先確定狹義的研究的定義為：利用科學(xué)的方法來調(diào)查解釋一個(gè)現(xiàn)象或者獲取新的知識(shí)。

綜合這兩個(gè)定義，可以看到科學(xué)研究從本質(zhì)上是由三個(gè)基本的要素構(gòu)成：1）目的：產(chǎn)生新的知識(shí)或者是設(shè)計(jì)出新的應(yīng)用; 2）手段：科學(xué)的方法。缺少這兩個(gè)要素任何之一都不構(gòu)成科學(xué)研究; 3）成果：新的知識(shí)。所謂新的知識(shí)，必須是前人不知道的東西。

我們很多同學(xué)和年輕的研究員認(rèn)為研究就是寫論文、研究成果就是論文，這其實(shí)是在觀念上走進(jìn)了一個(gè)誤區(qū)。論文是系統(tǒng)闡述新的知識(shí)、新的應(yīng)用，以及闡述獲取這個(gè)新知識(shí)或者新應(yīng)用用到了什么樣的科學(xué)方法的一個(gè)載體。論文，作為闡述研究成果的主要手段，必須經(jīng)過同行的評(píng)議通過才能正式發(fā)表和被認(rèn)可。

在人工智能進(jìn)入第三個(gè)熱潮之際，我們看到各種各樣關(guān)于AI的各種媒體報(bào)道層出不窮，一方面，這對(duì)大眾普及了AI各方面的知識(shí)，是積極的。但從另一個(gè)方面講，很多觀點(diǎn)沒有經(jīng)過仔細(xì)的推敲，也沒有同行的評(píng)議，一些謬誤或者是夸大的觀點(diǎn)可能因?yàn)閺V泛傳播而被大眾接受，結(jié)果產(chǎn)生負(fù)面的社會(huì)影響。這就提醒我們相關(guān)領(lǐng)域的研究人員，在對(duì)大眾媒體去做一些評(píng)論的時(shí)候，必須仔細(xì)斟酌，盡量不傳播沒有得到檢驗(yàn)的觀點(diǎn)。

這就談到第二個(gè)問題：

什么是好的研究？

不同領(lǐng)域的研究員對(duì)這個(gè)問題可能會(huì)有不同的看法。

從計(jì)算機(jī)科學(xué)的角度來講，尤其是計(jì)算機(jī)視覺的研究，無論是理論的還是實(shí)踐的，我們的研究成果最終是要解決現(xiàn)實(shí)世界的問題的。在這個(gè)方面，我印象比較深刻的還是我在西安交通大學(xué)讀研究生的時(shí)候，沈向洋博士2001年在西安交大做報(bào)告提到的一個(gè)觀點(diǎn)：最好的研究員發(fā)現(xiàn)新問題；好的研究員創(chuàng)造新方法解好問題；一般的研究員跟隨別人的方法解問題——大家在多次這里看到“新”這個(gè)關(guān)鍵詞，創(chuàng)新是研究的本質(zhì)。

有了這些鋪墊，我們首先定義什么是最好的研究。通常認(rèn)為一個(gè)領(lǐng)域中對(duì)于某一個(gè)問題最好的研究工作有三種：第一篇論文 （The First Paper），最好的一篇論文 （The Best Paper），以及最后一篇論文（The Last Paper）。這第一篇論文的含義是說這篇論文率先提出了一個(gè)好的問題和方向。最好的一篇論文是什么？那一定是開創(chuàng)性地提出了一種解法，啟發(fā)了最終解決這個(gè)問題的途徑。至于最后一篇論文，那一定是徹底把這個(gè)問題解決了，從此以后這個(gè)問題不再需要繼續(xù)做進(jìn)一步的研究。

從計(jì)算機(jī)視覺領(lǐng)域舉一個(gè)具體的例子來講，Harris Corner Detector屬于最早的一批在圖像中檢測(cè)角點(diǎn)的論文，可以歸為第一篇之列。David Lowe博士的SIFT特征檢測(cè)和局部描述子，可以歸為在這個(gè)方向上最好的論文之列。那么這個(gè)方向的最后一篇呢？ 我認(rèn)為可能還沒有出現(xiàn)。具體到我自己的研究工作，在局部描述子這個(gè)方向上，我跟我的同事Matthew Brown和Simon Winder在2007年到2009年之間所做的一系列用機(jī)器學(xué)習(xí)的方法來建立描述子的工作，也實(shí)際上為提高局部描述子的性能提供了一個(gè)新的思路和方法。

對(duì)于我們很多研究員和學(xué)生來講，一輩子可能都做不到這三種最好的研究工作之一。那是不是就等于說你不能做好的研究工作或者根本不用考慮做研究了呢？肯定不是這樣?？茖W(xué)研究是一個(gè)共同體。這些最好的研究工作也是在前面很多很多非常扎實(shí)（solid）的研究工作的基礎(chǔ)上發(fā)展出來的。因此，對(duì)于年青的研究員和學(xué)生而言，應(yīng)該胸懷大志，去追求做最好的研究工作，但從實(shí)際執(zhí)行上來講，還是要把一項(xiàng)一項(xiàng)具體的工作先做扎實(shí)了。

怎么做到把研究工作做扎實(shí)了？首先，你必須對(duì)你要解的問題有一個(gè)全面深刻的了解，包括為什么要解這個(gè)問題、解這個(gè)問題有什么意義呢、以前有沒有試圖解決同樣或者類似問題的先例，如果有，你就要全面了解前人都提出了什么樣的解法、他們的解法都有什么樣的優(yōu)勢(shì)和缺陷……最后，你的解法解決了前面這些解法不能解決的問題呢，或者是你的解法處理了什么樣的他們不能處理的缺陷了？這些問題的答案如果都有了，那么，在寫論文的過程中要注意的就是，1）你的假設(shè)是什么？2）你怎么驗(yàn)證了你的假設(shè)？這個(gè)驗(yàn)證既可以是理論上的證明，也可以是實(shí)驗(yàn)的驗(yàn)證。我們很多學(xué)生和年青的研究員，寫論文的時(shí)候沒有找到內(nèi)在的邏輯關(guān)系，很多觀點(diǎn)都是似是而非?；蛘哒f重一點(diǎn)，在論文撰寫方面的訓(xùn)練嚴(yán)重不足。你的研究如果到了寫論文的階段，那就必須要有明確的觀點(diǎn)提出來。這個(gè)觀點(diǎn)必須明確無誤，只有這樣你才能被稱為形成了新的知識(shí)。你的每一個(gè)觀點(diǎn)都必須在理論上或者是實(shí)驗(yàn)中得到驗(yàn)證。另外，論文的撰寫是為了讓人看懂，不是讓人看不懂，所以我們?cè)谧珜戇^程中必須盡量保證不去假設(shè)讀者已經(jīng)擁有了某些方面的知識(shí)。做好了這些，基本上你就有很大的可能性能夠做出扎實(shí)（solid）的研究工作。

然后回到我們討論的主題：

如何做好計(jì)算機(jī)視覺的研究工作？

其實(shí)，要回答這個(gè)問題，將我上面講的所有觀點(diǎn)加上“計(jì)算機(jī)視覺領(lǐng)域”這個(gè)限定詞就行了。我這兒結(jié)合計(jì)算機(jī)視覺研究的一些現(xiàn)狀及朱松純老師的一些觀點(diǎn)來進(jìn)一步談?wù)勎业挠^點(diǎn)。

首先談?wù)勎矣^察到的一些現(xiàn)象。很多年輕的學(xué)生，現(xiàn)在討論問題的時(shí)候都用這樣的談話：我發(fā)現(xiàn)用FC6層的特征，比用FC7層的特征，在某個(gè)圖像數(shù)據(jù)集上比現(xiàn)在最好的算法提高了1.5%的識(shí)別精度，老師我們可以寫論文了（如果大家不能理解這句話，F(xiàn)C6和FC7是表示AlexNet的兩個(gè)中間輸出層）。我想請(qǐng)問，你在這個(gè)過程中發(fā)現(xiàn)了什么樣的普適的新的知識(shí)嗎，又或者，在不是普適的情況下，你在什么限定條件下一定能夠看到這樣的識(shí)別精度提高了？

不錯(cuò)，提高識(shí)別精度是一個(gè)很好的目標(biāo)，但要注意，計(jì)算機(jī)視覺的研究是要解決識(shí)別的問題，不是解某一個(gè)圖像數(shù)據(jù)集。這些圖像數(shù)據(jù)集提供了很好的驗(yàn)證你的假設(shè)和方法的手段，但如果你沒有遵循科學(xué)的方法和和手段去設(shè)計(jì)你的算法和實(shí)驗(yàn)，你也不可能得到一個(gè)科學(xué)的結(jié)論，從而也不能產(chǎn)生新的知識(shí)，更不用談對(duì)這個(gè)領(lǐng)域做出貢獻(xiàn)。朱松純老師在他的評(píng)論中提到，很多學(xué)生認(rèn)為，計(jì)算機(jī)視覺現(xiàn)在就是調(diào)深度神經(jīng)網(wǎng)絡(luò)的參數(shù)，也就是說的這個(gè)問題。

所以，具體到對(duì)于剛開始從事計(jì)算機(jī)視覺研究的學(xué)生來講，要做好這方面的研究，我覺得第一步還是要系統(tǒng)學(xué)習(xí)一下計(jì)算機(jī)視覺的課程，全面了解一下計(jì)算機(jī)視覺這個(gè)領(lǐng)域的來龍去脈、這個(gè)領(lǐng)域都有哪些基本的問題、哪些問題已經(jīng)解得比較成熟而哪些問題還在初級(jí)階段……這里，推薦所有的學(xué)生學(xué)習(xí)兩本經(jīng)典教材《Computer Vision: A Modern Approach》和《Computer Vision: Algorithms and Applications》，可以先讀完第一本再讀第二本。

只有對(duì)這個(gè)領(lǐng)域有了一個(gè)初步的全面了解，你才能夠找到自己感興趣的那個(gè)問題。在眾多的問題當(dāng)中，你是希望做三維重建，還是做圖像識(shí)別、物體跟蹤，又或是做計(jì)算攝影呢？做研究其實(shí)不是一個(gè)完全享樂的的過程，你必須要有足夠的興趣來保證你能持續(xù)地走下去，這在你感覺自己當(dāng)前研究的思路走不下去的時(shí)候尤其具有重要意義。當(dāng)你確定你感興趣的問題，你應(yīng)該首先全面調(diào)研一下這個(gè)問題的來龍去脈。這就意味著你不能只讀過去五年的論文。你可以從過去一年的論文開始，慢慢追溯回到過去很久的相關(guān)的論文。有些時(shí)候，你會(huì)驚訝地發(fā)現(xiàn)前人想問題的深度。研究的英文單詞是Research，拆開是Re-Search，用中文直譯就是重新搜索和發(fā)現(xiàn)，而不是直接發(fā)現(xiàn)，其實(shí)就是說你要首先對(duì)這個(gè)問題做追本溯源。朱松純老師提到的我們很多學(xué)生現(xiàn)在不讀五年以前的論文，說的也是這個(gè)道理。

當(dāng)你做好了這些，你必須鉆進(jìn)計(jì)算視覺的一個(gè)小的領(lǐng)域。人的精力是有限的，這就意味著你不可能把很多事情同時(shí)做好，所以在你選好方向之后，就要把你的精力集中在你感興趣的一個(gè)問題上， 努力成為這個(gè)方面的專家。研究是一項(xiàng)長(zhǎng)跑，很多時(shí)候，你在一個(gè)方向上比別人堅(jiān)持久一點(diǎn)， 你就有機(jī)會(huì)超越他而成為某個(gè)方面的專家。

最后，我也來談?wù)勆疃葘W(xué)習(xí)對(duì)計(jì)算機(jī)視覺的影響。在這里，我對(duì)馬里蘭大學(xué)Rama Chellapa教授在Tom Huang教授80歲生日論壇上表達(dá)的觀點(diǎn)非常認(rèn)可，他認(rèn)為，深度學(xué)習(xí)網(wǎng)絡(luò)就像一個(gè)Pasta Machine：你把該放的東西放進(jìn)去，它能給你產(chǎn)生好吃的Pasta。同時(shí)它也是一個(gè)Equalizer：無論你在計(jì)算機(jī)視覺領(lǐng)域有40年的經(jīng)驗(yàn)還是0年的經(jīng)驗(yàn)，只要你會(huì)用Caffee，你在一些問題，比方說圖像識(shí)別上，都能產(chǎn)生差不多的結(jié)果。他開玩笑說這有點(diǎn)傷自尊 （It hurts my ego?。覀冞€是應(yīng)該把它作為一個(gè)好的工具擁抱它。我想，他的言外之意，是我們的研究應(yīng)該做得更深，要去理解這個(gè)工具為什么能夠工作得比較好，從而產(chǎn)生新的知識(shí)去指導(dǎo)將來的研究和應(yīng)用。

我認(rèn)為，對(duì)于年輕的學(xué)生來講，從深度學(xué)習(xí)的方法開始學(xué)習(xí)沒有什么問題，但必須要進(jìn)一步去了解一下其他的數(shù)學(xué)和算法工具，像統(tǒng)計(jì)貝葉斯的方法、優(yōu)化的方法、信號(hào)處理的方法等等等的。計(jì)算機(jī)視覺的問題，其本質(zhì)是不適定的反問題，解這一類問題需要多種方法的結(jié)合。這里面有深度學(xué)習(xí)解得比較好的問題，像圖像識(shí)別，也有深度學(xué)習(xí)解不了的問題，像三維重建和識(shí)別。

任何研究領(lǐng)域包括計(jì)算機(jī)視覺的研究，對(duì)處在研究初期的學(xué)生而言， 更重要的是掌握足夠的數(shù)學(xué)工具，培養(yǎng)一種正式思維（Formal Thinking）的能力，這樣，遇到實(shí)際的問題就能以一種理論上正確的思路去解決這個(gè)問題。

作為結(jié)束語，我想對(duì)在從事或者有志于從事計(jì)算機(jī)視覺研究的學(xué)生說，計(jì)算機(jī)視覺的研究處在一個(gè)非常好的時(shí)期，有很多我們?cè)瓉斫獠涣说膯栴}現(xiàn)在能夠解得比較好了，像人臉識(shí)別，盡管我們其實(shí)還沒有從真正意義上達(dá)到人類視覺系統(tǒng)對(duì)人臉識(shí)別的魯棒程度。但我們離真正讓計(jì)算機(jī)能夠像人看和感知這個(gè)世界還有很遠(yuǎn)的距離。在我們達(dá)到這個(gè)目標(biāo)之前，深度學(xué)習(xí)的方法可能是這個(gè)過程中一個(gè)重要的墊腳石，同時(shí)我們還要將更多的新的方法和工具帶入這個(gè)領(lǐng)域來進(jìn)一步推動(dòng)這個(gè)領(lǐng)域的發(fā)展。

【編者按】本文轉(zhuǎn)自新智元。來源：微軟研究院AI頭條，作者：華剛。

最后，記得關(guān)注微信公眾號(hào)：鎂客網(wǎng)（im2maker），更多干貨在等你！