---
tags: Knock Knock! Deep Learning
---
Day 23 / DL x CV / CV 總結與發展
===

又到了總結篇。CV 其實個人涉略比起 NLP 少很多，但希望看完這個子系列還是能對 deep learning 在 CV 的應用有大致的概念。下一個子系列會短一些，介紹概念非常有趣跟有彈性，但實作起來相當困難的 reinforcement learning。

同樣的，我們總結一下，接著介紹一些 CV tasks 和發展方向。

## 總結

2009 年釋出的 ImageNet 和後來 deep learning 在 CV 領域的興起息息相關。一時之間，大家都在努力加大、加深自己的 model，發現比起傳統方法，訓練在 big data 上的 CNN 效率跟成績更勝以往。

Convolutional + activation + pooling 的疊疊樂成為標配，這樣的架構也成功訓練在許多不同的應用任務上。甚至在 NLP task 都能用 CNN 抽取文字結構的特徵，同樣的 RNN 和 BERT 也能大力協助和文字相關的 CV task 或 video 等等任務。

2014 年，效果驚人的 GAN 提出後，在整個學術界蔚為風潮了好幾年，上百種不同的 GAN model 被提出，許多任務從圖像生成、風格轉換、甚至語言生成都有了新樣貌。

CV 的觸角理所當然的伸進了自駕車領域。自駕車中的幾個關鍵技術有了 deep learning 的加入，發展的可能性又更多了一些，而投入自駕車技術也成為鑽研 CV 領域的人熱門的選擇。

接下來就來看一下 CV 還有哪些有趣的 task，以及未來發展的難題。

## CV Tasks

CV 領域的相關任務族繁不及備載，提供簡單的概覽：

- **Recognition**
- Object Detection
- Object Classification
- Face Identification
- Handwritten Digits Recognition
- Pose Estimation：姿勢預測
- Optical Character Recognition (OCR)：把圖片中的字轉成文字
- **Segmentation**
- Semantic Segmentation
- Instance Segmentation
- **Image Generation / Image-to-Image Translation**
- Image Synthesis：生成不存在的圖
- Style Transfer
- Colorization：上色
- Super Resolution：將圖片轉換成更清晰的圖
- Image Reconstruction：將不完整的圖片補足
- **Vision with Natural Language**
- Image Captioning：為圖片加註解
- Text-to-Image：根據文字生成圖像
- **Video**
- Video Prediction：預測 video 接下來長怎樣
- Optical Flow：找出相鄰圖片中物體的移動軌跡
- Visual Object Tracking：找出相鄰圖片中相同的物體
- **3D**
- Scene Reconstruction：從一組圖像建出環境的 3D model
- 3D Object Detection：找出 3D bounding box
- **And many others**

還有非常多任務，很多都包含在上面這些任務底下。

## CV 發展

那 CV 接下來的發展，還有哪些難題呢？

### Fairness Research in CV

和 NLP 領域一樣，只要有 data，就會有 bias 的問題。

*—— 不同膚色女性的人臉辨識錯誤率。顯然在 training data 中，黑人女性較少出現。[1]*

*—— 這跟把擔擔麵預測成 spaghetti 一樣讓人憤怒啊！[1]*

如何有意識的讓 data 更平衡更透明，一直是各個領域正在持續努力的課題。有興趣可以參考 [1] 提供的更多例子。

### 3D Deep Learning

3D 圖像是很多應用領域的基礎，從機器人、自駕車，到 AR、醫療領域，就算現在 CV 在 2D image 有不錯的進展，在 3D 的世界卻會遇到新的難題。在 2D 世界漸漸被拓荒成功以後，近幾年 3D 的課題相對越來越火熱。

3D deep learning 會有哪些不同的難題呢？

1. 豐富的 representation：圖像一般就是一張寬 x 高的矩陣圖。但 3D 結構可以有很多種表示：multi-view（一組各個角度的物體圖）、point cloud（一堆點）、volumetric（一堆小方塊組成）等等。太精準的表示法有時候不好處理進 model，而簡便的表示法又可能會太粗略不精準。
2. 更複雜的 CNN：整個 CNN 需要上升一個維度，複雜度也提升了許多，硬體資源也更需要被考量。
3. 許多任務也多了一個維度要考量：3D 圖像生成、3D reconstruction 等等，多一個維度難度可能就好幾級跳。

3D 世界的 CV 還存在非常多可能性，對 2D 世界感到太小兒科想挑戰自己的話，那 3D 世界應該可以滿足你。[2] 有介紹一些 3D deep learning 的研究成果，可以參考入門。

### Video Understanding

另一個也算是多一個維度的任務就是 video，不過多的是時間維度，挑戰性也不亞於 3D deep learning，且娛樂性極高。

很多任務都是 2D 圖像的延伸，例如自駕車 object detection 變成 real-time、需要更多張連續圖片做的動作分析、video captioning 等等。雖然說可以從 2D 圖像任務的 model 延伸到 video 可以比較有頭緒，但多了時間維度，整個 input 的 feature extraction 方式可以完全不同，也增加了許多挑戰性。

另一個難題是一般 image dataset 已經很巨大，而 video dataset 資料量又更巨大了。如何節省資源訓練出高效的 model 也是 video 中特別重要的問題。

[3] 有簡單介紹一些 model，也可以當作參考。

## 參考資料

1. [CS231n Lecture Slides: Fairness Accountability Transparency and Ethics in AI](http://cs231n.stanford.edu/slides/2020/lecture_14.pdf)
2. [CS231n Guest Lecture Slides: 3D Deep Learning](http://cs231n.stanford.edu/slides/2020/lecture_16_Hao.pdf)
3. [CS231n Lecture Slides: Learning on Videos](http://cs231n.stanford.edu/slides/2020/section_8_video.pdf)