視覺認(rèn)知計算模型綜述

黃凱奇 譚鐵牛

1 引言

計算機視覺的中心任務(wù)是采用計算機對圖像進行理解和分析來獲取有效信息。圖像包括單幅圖像、多幅圖像和圖像序列（即視頻圖像）。但是，目前的計算機視覺與人類視覺仍存在較大差異?？茖W(xué)家常以“過馬路”這個簡單的視覺任務(wù)為例來說明這一點?，F(xiàn)代高速計算機的計算能力已達到相當(dāng)驚人的程度，但計算機視覺系統(tǒng)卻無法指導(dǎo)過馬路。很多研究者都將注意力集中在傳統(tǒng)的基于統(tǒng)計學(xué)習(xí)等方法上，卻忽略一個事實：人類視覺系統(tǒng)大大超過了當(dāng)前最優(yōu)秀的基于統(tǒng)計學(xué)習(xí)等傳統(tǒng)方法的視覺系統(tǒng)。特別在處理一些惡劣環(huán)境下的視覺信息時，傳統(tǒng)方法遇到較大困難。鑒于此，如何從視覺認(rèn)知的角度去研究和設(shè)計計算機視覺算法成為一項迫切而又富有挑戰(zhàn)性的任務(wù)。

認(rèn)知科學(xué)及其信息處理方面的研究被列入國際人類前沿科學(xué)計劃（Human Frontier Science Program，HFSP）中，被國際上看成是和美國的戰(zhàn)略防御計劃、歐洲的尤里卡計劃（Eureka Plan）鼎足而立的3個重要規(guī)劃。國外幾乎所有的一流大學(xué)和研究所都建立相關(guān)研究機構(gòu)進行視覺認(rèn)知方法的研究，如美國麻省理工學(xué)院（MIT）的腦認(rèn)知科學(xué)系人工智能實驗室，美國加州理工學(xué)院（Caltech）的計算與神經(jīng)系統(tǒng)組、德國馬普協(xié)會等。將認(rèn)知應(yīng)用于視覺分析使他們?nèi)〉脙?yōu)于傳統(tǒng)方法的成績。

國內(nèi)的主要研究機構(gòu)也分別從神經(jīng)生物學(xué)、認(rèn)知心理學(xué)、機器學(xué)習(xí)、模式識別等方面對此開展研究，這些研究機構(gòu)包括中國科學(xué)院生物物理研究所、北京師范大學(xué)、北京大學(xué)、清華大學(xué)、中國科學(xué)院自動化研究所、復(fù)旦大學(xué)、西安交通大學(xué)等。2008年起，在國家自然科學(xué)基金委員會的支持下，國內(nèi)研究機構(gòu)開展認(rèn)知重大計劃“視聽覺信息的認(rèn)知計算”，并將其結(jié)合智能車的應(yīng)用，于2009年—2011年組織3次“中國智能車未來挑戰(zhàn)賽”，從而取得長足進展。國家 973計劃從20世紀(jì) 90年代就開始支持相關(guān)研究，其研究重點也從認(rèn)知、知覺成像機理逐步發(fā)展到海量非結(jié)構(gòu)化數(shù)據(jù)、可視媒體的計算模型、視頻編碼等，也取得一些在國際上有一定影響力的成績。

長期以來，人們對于認(rèn)知過程的理解基本上還停留在直覺上，沒有形成準(zhǔn)確的科學(xué)定義。而與此同時，信息科學(xué)尤其是計算機科學(xué)正面臨著高速發(fā)展中信息高速獲取和海量異構(gòu)數(shù)據(jù)等的挑戰(zhàn)。借鑒人類處理復(fù)雜信息的認(rèn)知機理去面對挑戰(zhàn)是一種必然趨勢，同時借助于計算機科學(xué)強大的計算能力，也能為認(rèn)知科學(xué)的發(fā)展提供系統(tǒng)科學(xué)的計算依據(jù)。視覺認(rèn)知的計算模型作為這一有效手段應(yīng)運而生，并隨著認(rèn)知科學(xué)和計算機科學(xué)的發(fā)展受到越來越多的重視。

視覺認(rèn)知的生物模型，近年來在相關(guān)國際期刊都有大量最新研究成果。而對于視覺計算模型，從2005年開始在 CVPR、ICCV、ECCV等計算機視覺會議上也都有相關(guān)最新研究成果，包括純計算模型、決策計算模型等。本文并不試圖全面介紹所有的視覺計算模型，主要回顧一些具有一定歷史的模型，根據(jù)研究的感受對視覺認(rèn)知計算模型發(fā)展的一些理解（目前視覺認(rèn)知的研究不再僅圍繞初級視皮層的生物模型和計算模型研究，涉及到短時記憶、學(xué)習(xí)、整合加工等更深層次的研究，本文僅針對個人理解提出生物模型和計算模型相互影響和結(jié)合的一些看法），歸納其發(fā)展的兩條主線：生物視覺機制（以生物學(xué)視覺分析為基礎(chǔ)的視覺研究往往側(cè)重視覺皮層細(xì)胞和神經(jīng)元的感知過程，目前對生物學(xué)認(rèn)知過程的理解還沒有達到人類所期望的高度，本文也僅是對部分有代表性的工作進行歸納）和視覺計算理論，從這兩方面對較典型的計算模型的發(fā)展進行相關(guān)介紹，最后給出對視覺認(rèn)知計算模型的一些思考。

2 視覺認(rèn)知計算模型

視覺認(rèn)知計算模型可稱為可計算的視覺認(rèn)知模型，其目的是在人和計算機之間構(gòu)建橋梁，讓計算機能完成人類大腦所完成的一些工作。人類具有最為魯棒的視覺系統(tǒng)，能在各種復(fù)雜環(huán)境下完成視覺識別任務(wù)，而計算機具備較強的計算能力，其計算能力已達到千萬億次。視覺認(rèn)知計算模型就是通過對人類視覺認(rèn)知機理的了解，完成視覺機理的數(shù)學(xué)建模并通過計算機得到實現(xiàn)，從而實現(xiàn)高效、魯棒的智能大腦系統(tǒng)。視覺認(rèn)知計算模型的研究作為典型的交叉性領(lǐng)域，和計算機視覺、認(rèn)知科學(xué)及模式識別等領(lǐng)域的進展息息相關(guān)，也是目前這些領(lǐng)域的研究熱點。由于迄今為止，人類視覺系統(tǒng)的工作機理還沒有完全弄清楚，這一研究還是任重道遠(yuǎn)。

3 視覺認(rèn)知計算模型的發(fā)展

3.1 視覺認(rèn)知計算模型和計算機視覺

雖然認(rèn)知的計算方法可追溯到20世紀(jì)40年代維納的控制論、50年代圖靈的人工智能和香農(nóng)的信息論，但談到視覺認(rèn)知計算模型得到重視和發(fā)展就不得不提到計算機視覺的研究。早期的計算機視覺研究主要集中于積木世界的理解及與此有關(guān)的底層視覺信息處理。但由于缺乏底層視覺信息處理提取的理論指導(dǎo)，這一研究遇到瓶頸。到20世紀(jì)70年代末，美國麻省理工學(xué)院（MIT）人工智能實驗室的Marr立足于計算機科學(xué)，總結(jié)心理物理學(xué)、神經(jīng)生理學(xué)、臨床神經(jīng)病學(xué)等在視覺研究上已取得成果，在此基礎(chǔ)上，提出視覺計算理論，為機理的研究提出理論指導(dǎo)。他從計算理論、計算算法、計算機制3個層次對視覺信息處理任務(wù)進行研究和區(qū)分，并對視覺任務(wù)中的表象描述定義為一個三維重建的過程。這一描述受到以美國馬里蘭大學(xué)計算機視覺研究實驗室的 Aloimonos為首的目的主義學(xué)派的置疑，并引發(fā)20世紀(jì)90年代計算機視覺領(lǐng)域多位學(xué)者的大討論。雖然最后對于計算機視覺的目的是否是三維重建沒有明確的結(jié)論，但進一步明確神經(jīng)生理學(xué)等認(rèn)知科學(xué)對計算機視覺發(fā)展的重要性，從視覺認(rèn)知出發(fā)去研究計算機視覺這一觀點逐步被普遍接受。此后，出現(xiàn)越來越多關(guān)于視覺認(rèn)知的計算模型作為聯(lián)系視覺認(rèn)知和計算機視覺的橋梁的研究。

總體來說，視覺認(rèn)知的計算模型應(yīng)滿足模擬人類認(rèn)知特性的要求同時還強調(diào)可計算性。因此，其來源主要可歸納為兩大類：基于生物視覺機制和基于視覺計算理論。從歸納出的計算模型和生物視覺機制與視覺計算理論的關(guān)系，可看出生物視覺機制的發(fā)展既能直接用于建立視覺計算模型，同時也推動視覺計算理論的發(fā)展，具有重要地位。本文將分別從生物視覺機制和視覺計算理論方面介紹視覺計算模型的發(fā)展。

在表達機制—理論—模型三者之間的關(guān)系中，機制是最為重要的創(chuàng)新源泉，生物視覺機制對于視覺計算理論有重要的促進作用。生物視覺機制的發(fā)現(xiàn)是計算理論產(chǎn)生的源泉，只有生物視覺機制新的發(fā)現(xiàn)，才能促進視覺計算理論的發(fā)展，有新的生物視覺機制的發(fā)現(xiàn)，一般會產(chǎn)生新的視覺計算模型。但并不是有了生物視覺機制的新發(fā)現(xiàn)就一定會產(chǎn)生新的視覺計算理論，視覺計算理論的產(chǎn)生是在多個生物視覺機制的基礎(chǔ)之上總結(jié)得出的。因此，計算視覺理論和生物視覺機制之間并不是都有一一對應(yīng)的關(guān)系。以Marr視覺計算理論為例，作為視覺計算理論的奠基性工作，其形成也是在許多生物視覺機制的基礎(chǔ)上才提出并得以完善的。而一些重要的生物視覺機理的工作如顏色視覺理論就僅提出很多有益的模型，而沒有上升到計算理論的高度。視覺計算理論對生物視覺機理的研究具有一定的機理驗證作用，但本文主要是從思想創(chuàng)新的角度出發(fā)，因此在圖中并沒有給出計算視覺理論對于生物視覺機理的作用關(guān)系。

3.2 基于生物視覺機制的視覺認(rèn)知計算模型

生物視覺機制主要通過神經(jīng)生理學(xué)和解剖學(xué)等學(xué)科的發(fā)展，對生物視覺系統(tǒng)的機理進行研究。生物視覺機制的研究成果是視覺研究的重要來源。早期的學(xué)者根據(jù)生物視覺系統(tǒng)的形成過程，將視覺信息處理的一般模型，分別可看成視網(wǎng)膜階段、早期視覺處理和高層視覺處理，這一框架在許多機器模型中得到應(yīng)用。

本文中進一步根據(jù)視覺信息處理從人眼到人腦這一處理過程把目前的模型大致分為外周腦模型、腦皮層模型及知覺層模型。外周腦模型主要是模擬視覺信息在視網(wǎng)膜（retina）上的運行機理及視網(wǎng)膜和皮層之間的信息處理進行建模。視網(wǎng)膜是位于視覺系統(tǒng)最前端的具備感光功能并能對接收到的刺激信號進行初步處理的組織。視網(wǎng)膜包含大量的光感受器細(xì)胞，是外界視覺信息在人眼成像的主要部位，并對亮度、顏色、形狀、運動等信息進行初步感知和處理。對人眼的研究主要集中在對retina皮層的研究。根據(jù)對視網(wǎng)膜機理的研究結(jié)果，一些視覺理論和模型被提出來，如基于視網(wǎng)膜中的視桿和視錐細(xì)胞的特性，兩種最為常見顏色視覺模型（三刺激模型和對立色模型）被提出并被廣泛使用。Weber等發(fā)現(xiàn)，眼睛對光強的響應(yīng)是非線性的，并且在一定范圍內(nèi)，物體的亮度和背景的差別的比值是相對不變的，這使得視網(wǎng)膜細(xì)胞對外界光強具有較好的自適應(yīng)特性。根據(jù)這一特性，圖像的單色對數(shù)模型和彩色對數(shù)模型被提出來，人眼對于對比度敏感而不是對于絕對亮度敏感的特性也被用于建立對比度模型實現(xiàn)對目標(biāo)的檢測。19世紀(jì)馬赫發(fā)現(xiàn)視覺側(cè)抑制效應(yīng)（Lateral Inhibition），并提出有關(guān)視網(wǎng)膜神經(jīng)元相互作用原理。在視覺信號的預(yù)處理和傳輸階段，側(cè)抑制原理被認(rèn)為起著關(guān)鍵性的作用，基于這一原理的模型常被用于圖像增強。

進一步結(jié)合視網(wǎng)膜和皮層的研究，Land在顏色恒常性基礎(chǔ)上提出模擬人類亮度和顏色感知的視覺模型——Retinex模型。這一模型可在動態(tài)范圍壓縮、邊緣增強和顏色恒常3方面達到平衡，可對各類圖像進行自適應(yīng)增強，在很多方面得到廣泛應(yīng)用。

Zaghloul等提出一種模擬視網(wǎng)膜細(xì)胞機理的數(shù)學(xué)模型。該模型具有帶通和時空濾波的功能，可實現(xiàn)亮度調(diào)節(jié)及對比度調(diào)節(jié)，他們在CMOS電路上實現(xiàn)這一模型，并系統(tǒng)地進行分析。

腦皮層是視覺信息處理的中心區(qū)域，其主要工作由視覺皮層（visual cortex）來完成。人類的視覺皮層包括初級視皮層（V1）及紋外皮層（V2～V5等）。初級視皮層也是目前大腦皮層中被研究得最透徹的區(qū)域。Hubel等在20世紀(jì)50年代末首次開展對視皮層細(xì)胞的研究，為生物視覺系統(tǒng)方面做出開拓性工作。他們在20世紀(jì)六七十年代提出視覺感受野（Receptive Field）理論?；谶@一理論，Barlowd等提出“利用感知數(shù)據(jù)的冗余”進行編碼的理論，之后Michison等明確提出稀疏編碼理論（Sparse Coding），數(shù)據(jù)經(jīng)稀疏編碼后僅有少數(shù)分量同時處于明顯激活狀態(tài)，具有存儲能力大和聯(lián)想記憶能力等特點，近年來受到較大關(guān)注。Rodieck等在 1965年進一步指出這不同感受野的直徑方向上的截面對光信號的響應(yīng)曲線都具有高斯分布的性質(zhì)，彼此方向相反。他們采用兩個高斯函數(shù)的差來表示這種特性，稱為高斯差模型（Difference of Gaussians，DOG），這一模型作為濾波器模型已成功應(yīng)用在圖像預(yù)處理中。1980年Daugman使用二維 Gabor函數(shù)模擬視皮層中細(xì)胞感受野的空間性質(zhì)，汪云九等也提出用一族廣義 Gabor函數(shù)描述視覺系統(tǒng)各層次上感受野時空性質(zhì)的模型。Gabor濾波器已在模式識別尤其是生物特征識別方面得到廣泛應(yīng)用。1968年 Campell等進一步研究發(fā)現(xiàn)視覺系統(tǒng)具有空間頻率通道，這一成果被 Pattanaik等在1998年用于真實感圖形顯示（image display），取得較佳效果，Huang等結(jié)合彩色圖像的感知特性擴展這一模型用于彩色圖像的增強和評估。Lowe根據(jù)大腦皮層中下顳葉皮質(zhì)（inferior temporal，IT）對于視覺刺激響應(yīng)的特性，提出一種面向物體識別的旋轉(zhuǎn)和尺度不變的計算模型（Scale Invariant Feature Transform，SIFT）。這一模型之后經(jīng)過改進，成為模式識別中用于局部特征提取算法的經(jīng)典模型。

Poggio等在1999年首次建立完整的視覺處理模型 HMAX（Hierarchical Model and X），這是一個從生物學(xué)的角度上模擬的多層次模型。2007年，Serre等通過引入特征字典的學(xué)習(xí)過程，構(gòu)造高層次的仿真生物視覺模型（Biological Inspired Model，BIM），并在當(dāng)時取得優(yōu)于統(tǒng)計模式識別模型的結(jié)果，引起計算機視覺和生物視覺界的關(guān)注。這一模型通過改進在目標(biāo)識別、場景分類等得到廣泛應(yīng)用。更多的關(guān)于外周腦模型、腦皮層模型可參見Bednar等的工作。

視知覺是更為高層的視覺機理的描述，涉及到的現(xiàn)象更為復(fù)雜，如錯覺現(xiàn)象，圖像的二義性等，難以解釋。目前大部分的解釋還是存在于哲學(xué)家和心理學(xué)家所做的一些假想，至今還沒有非常系統(tǒng)的認(rèn)知模型。如格式塔學(xué)派，強調(diào)人的視覺系統(tǒng)具有在對景物中的物體一無所知的情況下從景物的圖像中得到相對的聚集（grouping）和結(jié)構(gòu)的能力，這種能力被稱為感知組織。以此為基礎(chǔ)，一些學(xué)者在圖像的組織方面尤其是圖像分割方面提出相應(yīng)的數(shù)學(xué)模型，取得一定效果。另一種值得一提的知覺層研究方面的工作是Gibson提出的生態(tài)知覺理論，他試圖解決總體的視知覺問題，在這一理論中，Gibson認(rèn)為知覺不是對視網(wǎng)膜上降采樣圖像的解釋，而是通過光學(xué)排列和流動直接和真實的體驗?；谶@一理論，光流模型（Optical Flow）被用于提出描述圖像灰度模式的表面運動，即獲取運動場。這一模型因為不需要預(yù)先知道場景的信息同時能獲取豐富的運動和結(jié)構(gòu)等信息，使得光流在計算機視覺、圖像處理等得到較多應(yīng)用。

3.3 基于視覺計算理論的視覺認(rèn)知計算模型

視覺認(rèn)知計算模型的另外一個重要的起源是視覺計算理論，即從計算機信息處理去描述視覺形成過程。相比于具有悠久歷史、紛繁復(fù)雜的生物視覺機理的研究，視覺計算理論的研究主要從 20世紀(jì) 60年代開始，而且相對集中。主要的視覺計算理論可分為以Marr理論為主的局部優(yōu)先和拓?fù)淅碚摓橹鞯娜謨?yōu)先的理論。目前大部分的計算模型仍基于主流的 Marr視覺計算理論，包括三維物體重建模型，雙目立體視覺模型等。1987年Biederman在Marr理論的基礎(chǔ)上提出成分識別理論（Recognition by Component Theory）。該理論認(rèn)為通過把復(fù)雜對象的結(jié)構(gòu)拆分為簡單的部件形狀，就可進行視覺識別。在這一理論的指導(dǎo)下，Li等發(fā)展詞袋模型（Bag of Word）用于物體識別，成為目前物體識別中具有代表性的工作之一。1980年Treisman和Gelade等提出特征整合理論（Feature Integration），認(rèn)為視覺處理是一個以自下而上的加工為主要特征的、具有局部交互作用的過程。在這一理論的基礎(chǔ)上，Koch等于1985年提出第1個視覺注意機制模型，1998年Itti等提出適用于自然圖像的高斯金字塔模型，鄭南寧等提出分層的注意視覺模型。

在19世紀(jì)80年代，McClelland等提出相互作用激活理論，他們認(rèn)為知覺系統(tǒng)是由許多加工單元組成的。這些節(jié)點（node）是最小的加工單元。每個節(jié)點通過興奮和抑制兩種連接方式與大量其他節(jié)點聯(lián)結(jié)在一起。每個節(jié)點在某一時間都有一個激活值（activation value），它既受到直接輸入的影響，也受到相鄰各節(jié)點的興奮或抑制的影響。這些同層次和不同層次的節(jié)點之間興奮和抑制的各種關(guān)系，構(gòu)成異常復(fù)雜的網(wǎng)絡(luò)。

相互激活理論也成為在語言學(xué)中風(fēng)靡的連接主義理論的代表性理論。在這一理論的指導(dǎo)下，BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks）模型被提出并得到學(xué)術(shù)界的高度重視，成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，在文字識別等領(lǐng)域得到成功應(yīng)用。在假設(shè)神經(jīng)網(wǎng)絡(luò)是多層的基礎(chǔ)上，Hinton等提出深度學(xué)習(xí)算法（Deep Learning），目前已在圖像、語音、文本等多個領(lǐng)域取得令人矚目的成績，成為大數(shù)據(jù)時代最為成功的學(xué)習(xí)模型之一。與傳統(tǒng)的信息表達方式不同，基于深度學(xué)習(xí)模型構(gòu)建的表達強調(diào)的是一種深層次、端到端、數(shù)據(jù)驅(qū)動的特征學(xué)習(xí)方式。整個模型的參數(shù)不是通過人工設(shè)定，而是通過輸入大量的訓(xùn)練樣本，采用無監(jiān)督或有監(jiān)督的方式，自動學(xué)習(xí)得到最佳參數(shù)。從函數(shù)論角度來說，深度學(xué)習(xí)模型可更有效地表達更復(fù)雜的函數(shù)，而這個也是深度學(xué)習(xí)模型強大表達能力的原因。

值得一提的是，Chen等提出另一種和Marr視覺計算理論不同的拓?fù)淅碚?，他們發(fā)現(xiàn)對大范圍拓?fù)涮卣鞲兄缬诰植繋缀翁匦缘母兄?，《Visual Cognition》在2005年?？M織著名學(xué)者進行評論，目前這一視覺理論得到越來越多的重視?；诖死碚?，Huang等提出一個從全局到局部的形狀目標(biāo)分類模型，得到吻合視覺心理學(xué)的結(jié)果。

4 對視覺認(rèn)知計算模型的思考

視覺認(rèn)知計算模型是聯(lián)系視覺認(rèn)知科學(xué)和計算機科學(xué)的橋梁和紐帶。一方面，視覺認(rèn)知機理的研究為計算機科學(xué)的計算仿真、模型建立等提供良好的生理學(xué)和心理學(xué)參照，對視覺機理規(guī)律的認(rèn)識為計算模型的建立提供努力的方向。另一方面，計算模型也為視覺機理的正確性和有效性提供驗證的平臺，能有力推動視覺認(rèn)知機理的發(fā)展。總之，視覺認(rèn)知計算模型的目的是借鑒人類視覺機理和相關(guān)學(xué)科的成果，建立新的數(shù)學(xué)模型，從而有效提高計算機對信息社會的理解能力和計算效率，因此這一研究具有以下特點。

1）視覺認(rèn)知計算模型的研究是交叉性的。這一點很好理解，視覺是認(rèn)知科學(xué)的一部分，其研究涉及到生理物理學(xué)、神經(jīng)認(rèn)知科學(xué)，又涉及到計算機科學(xué)，還包括數(shù)學(xué)及模式識別等相關(guān)建模的科學(xué)，因此對這一領(lǐng)域的研究需要寬廣的知識面，同時需要多個學(xué)科的學(xué)者能共同參與對這一問題進行探討。

2）視覺認(rèn)知計算模型的研究是開放性的。這一研究既然是交叉性學(xué)科，那么必然不同領(lǐng)域的學(xué)者從不同學(xué)科的角度對這一領(lǐng)域進行研究，同時研究的特點和結(jié)論也會有差異。這一點在歷史上的視覺研究中得到體現(xiàn)，如顏色視覺模型既有三色模型又有對立色模型。但總的來看，兩者都是對機理在不同角度和程度上的闡釋，具有互補性。

3）視覺認(rèn)知計算模型的研究是發(fā)展性的。任何定理或理論都是基于一定的假設(shè)情況的，這一限制對于視覺認(rèn)知計算模型的研究尤為突出。人類認(rèn)知的過程就是在不斷糾正的過程。同樣，對視覺認(rèn)知計算模型的研究也是一個不斷完善和發(fā)展的過程。

視覺認(rèn)知計算模型的研究在國外開展較早，許多學(xué)者從不同領(lǐng)域?qū)Υ碎_展研究，也取得較大進展，近年來這一研究也趨向于多種學(xué)科的交叉融合。相比國外，我國在這方面的研究起步較晚，大部分的研究還是集中在心理學(xué)等認(rèn)知科學(xué)。目前我國學(xué)者在神經(jīng)心理學(xué)等認(rèn)知科學(xué)方面已取得一些有國際影響力的工作，在視覺計算理論方面也有獨到的見解，但是在視覺計算模型的代表性的研究工作還是較少。這方面的研究涉及到多個交叉學(xué)科的發(fā)展，因此在人類視覺的生理機制還尚未得到解決情況下，這一領(lǐng)域的研究需要注意兩點問題。

1）避免大而全的模型。讓計算機來模擬人類的視覺機理是計算機視覺追求的目標(biāo)，把人類視覺信息處理方式翻譯成程序語言對其建模來實現(xiàn)機器模仿人也是早期機器視覺研究的重點，取得一些成果，如Stanford的Shakeyh和MIT的Cog機器人等。但是否能按照這條路繼續(xù)前進，去構(gòu)建一個大而全的視覺模型，目前還無法做到。一方面，人類視覺的獲取量是巨大的，而很大一部分的信息處理與建立視覺信息處理模型是無關(guān)的；另一方面，在人類視覺機理尚未完全清楚的情況下，試圖去構(gòu)建一個包羅萬象的計算模型在現(xiàn)階段是不現(xiàn)實的。

2）注意發(fā)揮學(xué)科優(yōu)勢，以應(yīng)用驅(qū)動來發(fā)揮特點（認(rèn)知模型是多個學(xué)科關(guān)注的重點，但各個學(xué)科側(cè)重點不同，以生理物理學(xué)為代表的認(rèn)知學(xué)科更關(guān)注的是模型如何能更好地模擬視覺機制，其設(shè)計出的模型目的是更好地反映出以計算機視覺為主的信息科學(xué)，更關(guān)注的是視覺模型的應(yīng)用效果，本文主要關(guān)注后者）。目前國內(nèi)外在視覺認(rèn)知計算模型已開展較多的研究工作，有一些成果在相關(guān)的研究領(lǐng)域得到較好應(yīng)用，如計算機視覺領(lǐng)域的物體識別、多媒體領(lǐng)域的視頻編解碼、圖像處理領(lǐng)域的圖像增強等，正因為這些模型的出發(fā)點和應(yīng)用需求的不同，在模型的構(gòu)造方式、應(yīng)用目的等各方面都有其特點。而歸根到底是對人類視覺的各方面任務(wù)、特性有不同的側(cè)重點。許多心理物理學(xué)實驗也證明在人的視覺系統(tǒng)中似乎存在獨立的特定模塊，如Land關(guān)于照明的計算理論，這也指導(dǎo)我們在進一步的研究過程中可以以應(yīng)用為驅(qū)動來獲得一些獨立的視覺認(rèn)知計算模型。

那么，一個較好的視覺認(rèn)知計算模型應(yīng)具備什么樣的能力，本文認(rèn)為應(yīng)該具備如下能力。

1）學(xué)習(xí)能力。（1）自主學(xué)習(xí)能力。在已來臨的大數(shù)據(jù)時代，海量的圖像、視頻數(shù)據(jù)絕大多數(shù)是沒有標(biāo)簽的，大量進行標(biāo)注也是不太現(xiàn)實的。從大量的沒有標(biāo)簽的圖像數(shù)據(jù)中自動挖掘知識，無疑有著重要意義。Ng和Dean領(lǐng)導(dǎo)的Google Brain計劃，通過將 YouTube上的視頻直接送入多層的sparse autoencoder系統(tǒng)，在沒有任何標(biāo)簽和人為監(jiān)督的情況下，學(xué)習(xí)到貓臉和人臉等視覺概念，也驗證數(shù)據(jù)驅(qū)動的自主學(xué)習(xí)的可行性與有效性。（2）長期的增量學(xué)習(xí)能力（Life-Long Incremental Learning）。在系統(tǒng)已學(xué)習(xí)到大量知識的情況下，對新數(shù)據(jù)能以一種經(jīng)濟的方式對整個現(xiàn)有模型進行相應(yīng)的更新，以適應(yīng)不斷變化的外部環(huán)境，這是生物界“物競天擇，適者生存”的準(zhǔn)則，所有生物都具有的基本能力。我們希望基于計算機的視覺認(rèn)知模型具有同樣的基本特性，也是實現(xiàn)人工智能的必然要求。

2）高容量的表達能力。人腦的記憶容量估計在 1 TB～2.5 PB左右，這保證人腦在整個人的一生中能記憶大量的信息。在現(xiàn)今大數(shù)據(jù)時代，要有效地建模海量的視覺數(shù)據(jù)，模型具有高容量是必不可少的，當(dāng)前較活躍的層次表達模型如貝葉斯網(wǎng)、無向圖網(wǎng)等模型理論上都沒有容量的上限，保證其具有強大的建模、表達能力。當(dāng)然，信息的組織、共享、稀疏表達等會大大壓縮信息存儲大小。

3）快速推斷能力。人眼能在非常短的時間內(nèi)完成人臉的定位、識別。幾乎所有依賴視覺的生物都具有類似的能力。視覺認(rèn)知計算模型在學(xué)習(xí)到大量視覺概念、知識之后，也應(yīng)能對復(fù)雜視覺場景進行快速地目標(biāo)檢測、識別等。

4）多任務(wù)信息共享能力。人類視覺系統(tǒng)在處理視覺任務(wù)時，不僅快速而且同時完成多個任務(wù)，這表明視覺系統(tǒng)在完成不同任務(wù)時具有共享信息的能力，也就是在獲取一些共性信息之后，能同時完成多個任務(wù)，這一能力已得到視覺研究和機器學(xué)習(xí)領(lǐng)域的關(guān)注。從系統(tǒng)一體化來講，希望最終能實現(xiàn)一套類似人類視覺系統(tǒng)的視覺認(rèn)知計算模型，同時完成檢測、分類、識別、分割等多種任務(wù)。在這種情況下，用于分類的關(guān)于貓的信息與用于檢測的貓的信息共享，無疑是既自然而又經(jīng)濟的。

5 結(jié)束語

認(rèn)知科學(xué)和計算機視覺經(jīng)過多年的研究和發(fā)展，已取得令人矚目的進展，在人工智能領(lǐng)域的研究方面，超級電腦沃森利用機器學(xué)習(xí)和自然語言處理模型，借助于強大的計算能力，在智力競答節(jié)目上戰(zhàn)勝人類冠軍，標(biāo)志著人類對智能的計算模型發(fā)展到新的階段。這種通過樣本采集學(xué)習(xí)的方式來實現(xiàn)人類認(rèn)知是視覺認(rèn)知計算模型的一個思路。但生物視覺系統(tǒng)的功能和機構(gòu)極其復(fù)雜，就目前而言要完全了解還存在巨大的挑戰(zhàn)。然而要真正實現(xiàn)有效的計算模型，對視覺認(rèn)知機理的研究是成功的保障，正如霍金斯所言“真正認(rèn)識人類大腦是開發(fā)智能機器的必由之路”。?

（摘自《模式識別與人工智能》2013年第10期）