最近我們開始了一項(xiàng)新的研究，我們使用深度學(xué)習(xí)算法和視覺語言模型，讓計(jì)算機(jī)去了解圖像中不同物體之間的關(guān)系。

計(jì)算機(jī)能夠告訴我們不同物體之間的空間關(guān)系，能在物體之間進(jìn)行比較，觀察它們是否對稱，然后了解他們之間的動作，以及他們之間的介詞方位關(guān)系。所以這是一個(gè)更為豐富的方法，去了解我們的視覺世界，而不僅僅是簡單識別一堆物體的名稱。

Visual Relationship Detection with Language Priors

更有趣的是，我們甚至可以讓計(jì)算機(jī)實(shí)現(xiàn) Zero short（0 樣本學(xué)習(xí)）對象關(guān)系識別。舉個(gè)例子，用一張某人坐在椅子上、消防栓在旁邊的圖片訓(xùn)練算法。然后再拿出另一張圖片，一個(gè)人坐在消防栓上。雖然算法沒見過這張圖片，但能夠表達(dá)出這是“一個(gè)人坐在消防栓上”。類似的，算法能識別出“一匹馬戴著帽子”，雖然訓(xùn)練集里只有“人騎馬”以及“人戴著帽子”的圖片。

讓 AI 讀懂圖像

在物體識別問題已經(jīng)很大程度上解決以后，我們的下一個(gè)目標(biāo)是走出物體本身，關(guān)注更為廣泛的對象之間的關(guān)系、語言等等。

ImageNet 為我們帶來了很多，但是它從圖像中識別出的信息是非常有限的。COCO 軟件則能夠識別一個(gè)場景中的多個(gè)物體，并且能夠生成一個(gè)描述場景的短句子。但是視覺信息數(shù)據(jù)遠(yuǎn)不止這些。

經(jīng)過三年的研究，我們發(fā)現(xiàn)了一個(gè)可以有更為豐富的方法來描述這些內(nèi)容，通過不同的標(biāo)簽，描述這些物體，包括他們的性質(zhì)、屬性以及關(guān)系，然后通過這樣的一個(gè)圖譜建立起他們之間的聯(lián)系，我們稱之為 Visual Genome dataset（視覺基因組數(shù)據(jù)集）。這個(gè)數(shù)據(jù)集中包含 10 多萬張圖片，100 多萬種屬性和關(guān)系標(biāo)簽，還有幾百萬個(gè)描述和問答信息。在我們這樣一個(gè)數(shù)據(jù)集中，能夠非常精確地讓我們超越物體識別，來進(jìn)行更加精確的對于物體間關(guān)系識別的研究。

那么我們到底要怎么使用這個(gè)工具呢？場景識別就是一個(gè)例子：它單獨(dú)來看是一項(xiàng)簡單的任務(wù)，比如在谷歌里搜索“穿西裝的男人”或者“可愛的小狗”，都能直接得到理想的結(jié)果。但是當(dāng)你搜索“穿西裝的男人抱著可愛的小狗”的時(shí)候，它的表現(xiàn)就變得糟糕了，這種物體間的關(guān)系是一件很難處理的事情。

絕大多數(shù)搜索引擎的這種算法，在搜索圖像的時(shí)候，可能很多還是僅僅使用物體本身的信息，算法只是簡單地了解這個(gè)圖有什么物體，但是這是不夠的。比如搜索一個(gè)坐在椅子上的男性的圖片，如果我們能把物體之外、場景之內(nèi)的關(guān)系全都包含進(jìn)來，然后再想辦法提取精確的關(guān)系，這個(gè)結(jié)果就會更好一些。

2015 年的時(shí)候，我們開始去探索這種新的呈現(xiàn)方法，我們可以去輸入非常長的描述性的段落，放進(jìn) ImageNet 數(shù)據(jù)集中，然后反過來把它和我們的場景圖進(jìn)行對比，我們通過這種算法能夠幫助我們進(jìn)行很好的搜索，這就遠(yuǎn)遠(yuǎn)地超過了我們在之前的這個(gè)圖像搜索技術(shù)當(dāng)中所看到的結(jié)果。

Google圖片的準(zhǔn)確率已經(jīng)得到了顯著提升

這看起來非常棒，但是大家會有一個(gè)問題，在哪里能夠找到這些場景圖像呢？構(gòu)建起一個(gè)場景圖是一件非常復(fù)雜并且很困難的事情。目前 Visual Genome 數(shù)據(jù)集中的場景圖都是人工定義的，里面的實(shí)體、結(jié)構(gòu)、實(shí)體間的關(guān)系和到圖像的匹配都是我們?nèi)斯ね瓿傻模�過程挺痛苦的，我們也不希望以后還要對每一個(gè)場景都做這樣的工作。

所以我們下一步的工作，就是希望能夠出現(xiàn)自動地產(chǎn)生場景圖的一個(gè)技術(shù)。所以我們在今年夏天發(fā)表的一篇 CVPR 文章中做了這樣一個(gè)自動生成場景圖的方案：對于一張輸入圖像，我們首先得到物體識別的備選結(jié)果，然后用圖推理算法得到實(shí)體和實(shí)體之間的關(guān)系等等；這個(gè)過程都是自動完成的。

Scene Graph Generation by Iterative Message Passing

人工智能可以像人類一樣看懂視頻？

Visual Genome 數(shù)據(jù)集能讓計(jì)算機(jī)更好地了解場景信息，但是還是不夠的。而且實(shí)際上到現(xiàn)在為止，我們僅僅探索了認(rèn)知心理學(xué)家所討論的一個(gè)概念——現(xiàn)場感知（scene gist perception）：只需要輕輕一瞥，就能把握主整個(gè)場景中的物體和它們之間的關(guān)系。那么在此之外呢？

小編想回過頭去看看十年前我在加州理工學(xué)院讀博士的時(shí)候做的一個(gè)心理學(xué)實(shí)驗(yàn)，小編用 10 美元／小時(shí)的費(fèi)用招募人類被試，通過顯示器給他們快速呈現(xiàn)出一系列照片，每張照片閃現(xiàn)之后用一個(gè)類似墻紙一樣的圖像蓋住它，目的是把他們視網(wǎng)膜暫留的信息清除掉。然后讓他們盡可能多地寫下自己看到的東西。有些照片只顯示了 1／40 秒（27毫秒），有些照片則顯示了 0．5 秒的時(shí)間，我們的被試能夠在這么短的時(shí)間里理解場景信息。如果小編給的實(shí)驗(yàn)費(fèi)用更高的話，大家甚至能做的更好。進(jìn)化給了我們這樣的能力，只看到一張圖片就可以講出一個(gè)很長的故事。

2015 年開始，我們使用卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)算法比如 LSTM 來建立圖像和語言之間的關(guān)系。從此之后我們就可以讓計(jì)算機(jī)給幾乎任何東西配上一個(gè)句子。比如這兩個(gè)例子，“一位穿著橙色馬甲的工人正在鋪路”和“穿著黑色T恤的男人正在彈吉他”。

不過圖像所包含的信息很豐富，一個(gè)簡短的句子不足以涵蓋所有，所以我們下一步的工作就是稠密捕獲（dense capture）。讓計(jì)算機(jī)將一張圖片分為幾個(gè)部分，然后分別對各個(gè)部分進(jìn)行描述，而不是僅僅用一個(gè)句子描述整個(gè)場景。

除了此之外，我們今年所做的工作邁上了一個(gè)新的臺階，計(jì)算機(jī)面對圖像不只是簡單的說明句子，還要生成文字段落，把它們以具有空間意義的方式連接起來。這與認(rèn)知心理學(xué)家所做的實(shí)驗(yàn)當(dāng)中人類的描述結(jié)果是非常接近的。

COCO 能夠根據(jù)圖片寫出幾個(gè)句子（粉色部分）

新算法能夠生成一個(gè)段落（藍(lán)色部分）

A Hierarchical Approach for Generating Descriptive Image Paragraphs

但是我們并沒有停止在這里，我們開始讓計(jì)算機(jī)識別視頻。這是一個(gè)嶄新且豐富的計(jì)算機(jī)視覺研究領(lǐng)域。互聯(lián)網(wǎng)上有很多視頻，有各種各樣的數(shù)據(jù)形式，了解這些視頻是非常重要的。我們可以用跟上面相似的稠密捕獲模型去描述更長的故事片段。把時(shí)間的元素加入進(jìn)去，計(jì)算機(jī)就能夠識別一段視頻并對它進(jìn)行描述。

視覺認(rèn)知和邏輯推理的結(jié)合

最后，小編想談?wù)勗诤唵握J(rèn)知以外，我們?nèi)绾巫屓斯ぶ悄苓_(dá)到任務(wù)驅(qū)動的水平。從一開始人類就希望用語言給機(jī)器人下達(dá)指定，然后機(jī)器人用視覺方法觀察世界、理解并完成任務(wù)。

在 20 世紀(jì)七八十年代的時(shí)候，人工智能的先驅(qū)們就已經(jīng)在研究如何讓計(jì)算機(jī)根據(jù)他們的指令完成任務(wù)了。比如下面這個(gè)例子，人類說：“藍(lán)色的角錐體很好。我喜歡不是紅色的立方體，但是我也不喜歡任何一個(gè)墊著角錐體的東西。那我喜歡那個(gè)灰色的盒子嗎？” 那么機(jī)器或者人工智能就會回答：“不，因?yàn)樗鼔|著一個(gè)角錐體”。它能夠?qū)�這個(gè)復(fù)雜的世界做理解和推理。

最近，我們和 Facebook 合作重新研究這類問題，創(chuàng)造了帶有各種幾何體的場景，我們命名為 Clever dataset。這個(gè)數(shù)據(jù)集包含成對的問題和答案，這其中會涉及到屬性的辨別、計(jì)數(shù)、對比、空間關(guān)系等等。我們會給人工智能提問，看它會如何理解、推理、解決這些問題。

我們將人工智能和人類對這類推理問題的回答做了個(gè)比較：人類能達(dá)到超過 90％ 的正確率，機(jī)器雖然能做到接近 70％ 了，但是仍然有巨大的差距。有這個(gè)差距就是因?yàn)槿祟惸軌蚪M合推理，機(jī)器則做不到。

因此我們開始尋找一種能夠讓人工智能表現(xiàn)得更好的方法：我們把一個(gè)問題分解成帶有功能的程序段，然后在程序段基礎(chǔ)上訓(xùn)練一個(gè)能回答問題的執(zhí)行引擎。這個(gè)方案在嘗試推理真實(shí)世界問題的時(shí)候就具有高得多的組合能力。這項(xiàng)工作我們剛剛發(fā)表于 ICCV。

比如我們提問“紫色的東西是什么形狀的？”，它就會回答“是一個(gè)立方體”，并且能夠準(zhǔn)確定位這個(gè)紫色立方體的位置。這表明了它的推理是正確的。它還可以數(shù)出東西的數(shù)目。這都體現(xiàn)出了算法可以對場景做推理。

人類視覺已經(jīng)發(fā)展了很久，計(jì)算機(jī)的視覺識別雖然在出現(xiàn)后的 60 年里有了長足的進(jìn)步，但也仍然只是一門新興學(xué)科。