我看見的世界(50)_李飛飛

五〇

　　▼08 實驗驗證

　　（Experimentation）

　　在ImageNet的幫助下，AlexNet煥發生機，它貪婪地吸收著ImageNet的內容，在ImageNet規模和多樣性的土壤中生根發芽，茁壯成長。

　　秋色已盡染日本京都。午後的陽光明媚，從子彈頭列車的車窗向外望去，綠色、橙色和紅色飛掠而過，如同一幅幅生動的畫作。列車以每小時320千米的速度飛馳著，窗外的鄉村樹木蔥郁，景色絢麗。然而，美景當前，我卻無心欣賞。這段旅程漫長而艱辛，焦慮如影隨形。在之前的計算機視覺與模式識別大會上，ImageNet三流水準的初次亮相令人失望，此後的幾個月更是連遭挫敗。我們的批評者依然對這個數據集不屑一顧，其他研究實驗室也對其興趣寥寥，ImageNet走向無人問津似乎已經不可避免。為了力挽頹勢，我臨時決定去盡可能多的大學做現場講解，儘管聽眾席上坐的往往是持懷疑態度的研究生和博士後。我能做的不多，但僅僅是讓這個不可避免的結局推遲出現，也感覺像是一場小小的勝利。

　　現在，提高我們知名度的又一個大好機會就在眼前，今年的國際計算機視覺會議即將在京都召開。與我同行的是亞曆克斯·伯格（Alex Berg），他是紐約州立大學石溪分校的助理教授，也是跟我志同道合的計算機視覺研究者，他的研究生導師是吉滕德拉。亞曆克斯極具天賦，他本著與我和彼得羅協作時相似的精神，致力於探索「物體識別」的挑戰。他在博士論文中使用了Caltech 101，對數據集的價值非常認同，也成為ImageNet為數不多的支持者之一。能與同道中人共勉固然讓人振奮，但也凸顯了前路之孤寂和艱辛。

　　眼下的一切與我們剛搬到斯坦福大學的實驗室時的興奮之情形成了鮮明對比。彼時的我們堅定地認為，我們所掌握的不僅僅是一個數據集，更是一個測試平臺，可以把我們的想法與整個視覺世界聯繫起來，拓寬我們算法的感知能力，同時用比以往更嚴格的方式對算法進行測試。如果說可以把圖像數據集視為計算機視覺研究的語言（也就是算法及其開發人員可以探索的概念集合），那麼ImageNet就是詞匯量的突然爆發性增長。

　　我們實驗室所做的每一件事都充滿了活力。有一次，我們利用ImageNet快速訓練了數百個圖像分類算法的實例，讓它們識別一組日常事物，然後將所有實例應用在一張照片上。實驗目的並不是簡單地檢測單個物體的存在，而是通過尋找物體組合來詮釋整個場景。例如，如果檢測算法發現了一個人、一艘船、一隻槳和一片水域，它就會將照片作為一個整體歸類為「划船」。這是一種更深層次的理解，可以說接近於原始的視覺推理。

　　就像我們那個時代的許多實驗一樣，我們使用的算法準確性很不穩定，還有很大的改善空間。畢竟，就連簡單的圖像識別也仍處於起步階段。但困難只會進一步激發我們的冒險精神。我們的研究大膽且具有前瞻性，雖然並不完備，但能引發思考，其中很多在概念上也很簡單。但直到ImageNet出現，一切才變得切實可行起來。

　　與此同時，鄧嘉也開始在學術領域嶄露頭角。在ImageNet發佈後一年左右，他發表了題為《對超過10000個圖像進行分類能告訴我們什麼》的論文，總結了ImageNet出現後圖像識別領域發生的根本性變化。儘管論文技術性很強，但其中所蘊含的哲學思想使它有別於一般的學術論文。這篇論文宛如一個預言，甚至觸及了存在的本質。鄧嘉認為，ImageNet不僅代表了規模的擴大，還代表了分類邏輯的轉變，類似於物理學領域的「相變」，在這種轉變中，甚至現象的最基本屬性也會發生變化。ImageNet極大地拓寬了算法面臨的可能性，但因為規模太大，也給算法造成了挑戰（相比而言，小型數據集就不會有這個問題）。

　　說得更專業一些，ImageNet所提供的「語義空間」在不斷擴大的同時，也變得更加密集，導致正確答案與錯誤答案之間的差距越來越小。在實際應用中，這通常意味著那些在區分少量差異較大的類別時運行出色的技術，在處理ImageNet的上萬個類別時會表現不佳，因為很多類別之間的差別都非常細微。有些技術甚至會完全失效。這種現象剛開始時令人羞愧，但最終會催人振奮，因為它表明未來的算法不僅是當前算法的改進，而且會以一種我們預料不到的方式，從根本上發生變化。

　　「你知道我最喜歡Caltech 101哪一點嗎？」亞曆克斯的話把我拉回了現實，「除了裡面的訓練數據，它還讓我有機會用完全相同的圖像，把我的研究結果和你的進行比較，做同類對比。」

　　「相當於一個基準。」我回答道。

　　「沒錯，這樣就很容易衡量進展。還有什麼比這更能激勵研究人員呢？就像是發起了一個挑戰，就像打賭一樣。」

　　就像打賭一樣，我喜歡這個說法。

　　「那麼……如果我們用ImageNet做同樣的事呢？」我問道，邊思考邊說，「或者，乾脆我們就用ImageNet搞一個完整的競賽怎麼樣？」

　　「你是說像PASCAL那樣的嗎？」

　　PASCAL視覺對象類別數據集（通常稱為PASCAL VOC）是一個歐洲研究團隊彙編的數據集，包含大約1萬張圖片，分為20個類別。PASCAL VOC與Caltech 101類似，但有一個重要區別：PASCAL VOC是年度計算機視覺大賽的基礎數據集。該大賽始於2005年，每年都有來自世界各地的參賽者提交經過PASCAL VOC訓練的算法，然後用這些算法去識別一組以前沒有見過的新圖片，最後根據分類的準確度對算法進行排名，錯誤率最低的即為獲勝算法。比賽既具有協作性，又具有競爭性，吸引了各方對計算機視覺領域最新進展的關注。而參賽者所使用的數據集僅有ImageNet的千分之一大小。

　　「那就有意思了。」亞曆克斯回答道，「我都可以想像研究人員在互相交流新想法的時候問：『它在ImageNet上的表現怎麼樣？』」

　　這樣一來，ImageNet也成了計算機視覺領域的北極星了，我想。

　　如果鄧嘉論文的核心思想是正確的，如果ImageNet真的會引起一場大洗牌，帶來新的規則、新的直覺，甚至全新的範式，那麼還有什麼比通過比賽來探索這個數據集更好的方式呢？激烈的競爭壓力可以激發合作的集體力量。比賽要遵循一定的規則，但又要有探索性。即使經過多年的努力創建了ImageNet，僅僅是想像著把它做成比賽，也為它注入了新的生機。

　　這也意味著將ImageNet推向世界的工作尚未結束。

　　※

學達書庫(xuoda.com)