2018，一文看尽AI发展真相

原标题：2018，一文看尽AI发展真相

2018年还剩20天，人工智能的热度一点没减。除了下围棋、认人脸，人工智能究竟发展到了什么地步？汇总各领域学术论文最先进成果，今天，让我们来看计算机视觉和自然语言处理这两个领域AI进展的真实情况。本文来自微信公众号：新智元报道（ID：AI_era），来源：stateoftheart.ai，编辑：文强、三石、元子。

2018年，人工智能热度不减，成果不断。

虽然少了去年动辄“超越人类”的锐气，但“辅助人类”的人工智能，如今究竟发展到什么程度？就让我们在2018即将结束的时候，来一个简单的回顾。

抛开剂量谈毒性是耍流氓，抛开数据集和特定任务谈人工智能进展也一样。“state of the art.ai”是MIT和UNAM的学生做的一个网站，收进了目前最优的算法，涵盖了计算机视觉、游戏、自然语言处理、网络图和知识库、程序归纳和程序合成、音频处理、时间序列处理七个领域。

下面，我们就根据已经发表的科研论文，先来看看计算机视觉和自然语言处理这两大AI领域的情况。

计算机视觉：3D/3D Reconstruction

“3D”可以说是眼下CV领域最火的一个词。今年各家智能手机宣传里都提到了“3D结构光”。那么，3D视觉发展到了什么程度？

2017年的CVPR，MIT、马萨诸塞大学阿默斯特分校和谷歌DeepMind的研究人员展示了一项成果，使用自动编码器（VAE），构建了一个名叫SingleVPNet的框架，能从多个视角的深度图或其相应的轮廓（silhouette）学习生成模型，并使用渲染函数从这些图像生成细节精致的3D形状。

不仅如此，他们提出的框架还能通过综合不同视角的2D深度图（甚至在有遮挡的情况下），生成新的3D形状。

SingleVPNet在3D形状数据集SharpNetCore上取得了平均误差0.35的结果。换句话说，生成逼真的3D形状还有一段距离。

补充，SharpNetCore是ShapeNet的一个子集，目前包括55个常见对象类别（覆盖了计算机视觉领域常用的3D基准数据集PASCAL 3D+的12个对象类别），约有51300个独特的3D模型，每个模型都有手动验证的类别和对齐注释，由普林斯顿、斯坦福和丰田技术研究所（TTIC）的研究人员共同创建。

动作识别

动作识别指从视频中识别不同的动作，这个动作可能贯穿整个视频，也可能不会。动作识别是图像识别的扩展，涉及从多帧视频中进行图像识别，然后从每一个帧中聚集预测结果。

2017年的NeurIPS，CMU机器人学院的研究人员Rohit Girdhar 和 Deva Ramanan 利用注意力机制（Attentional Pooling），在保持网络复杂度和计算量基本不变的情况下，在三个静态图像和视频标准动作识别数据集上提升了动作识别的基准。其中，在MPII人体姿态数据集上取得了12.5％的相对改进。

不过，看绝对值，平均精度还停留在52.2个百分点上面。

人脸识别

根据美国国家标准与技术研究院（NIST）今年11月16日公布的结果，在被誉为工业界“黄金标准”的全球人脸识别算法测试（FRVT）中，依图科技以千万分之一误报下的识别准确率超过99%，继续保持全球人脸识别竞赛冠军。

千万分位误报下的识别准确率超过99%，意味着更多核心关键的安防场景被解锁。相比于去年同期，全球人脸识别性能提升了80%。

值得一提，在这份官方公布的报告中，中国人工智能公司实力展现，依图科技（yitu）、商汤科技（sensetime）、旷视科技（megvii）囊括了前十中的五席，加上排名第五的中国科学院深圳先进技术研究院（siat），中国团队已经超过半数，并稳稳“霸屏”前五，领跑全球人脸识别算法。

人体姿态估计

今年2月，上海交通大学卢策吾团队MVIG实验室AlphaPose 系统上线，是首个在 COCO 数据集上可达到 70+ mAP 的开源姿态估计系统。

今年9月，AlphaPose系统升级，采用 PyTorch 框架，在姿态估计标准测试集COCO validation set上，达到 71mAP的精度（比 OpenPose 相对提升17%，Mask-RCNN相对提升8%），同时，速度达到了20FPS（比 OpenPose 相对提高66%，Mask-RCNN相对提高300%）。

AlphaPose系统，是基于上海交大MVIG组提出的 RMPE 二步法框架（ICCV 2017论文）构建的，相比其他开源系统在准确率有很大提高，比OpenPose相对提高17%，，Mask-RCNN相对提高8.2%。

升级后，各个开源框架在COCO-Validation上性能、时间在单卡1080ti GPU测出指标如下：

开源系统

准确率

平均速度

Openpose（CMU）

60 mAP

12 FPS

Mask-RCNN（Facebook）

67 mAP

5 FPS

Alphapose（SJTU）

71 mAP

20 FPS

图像分类

计算机在图像分类任务上的精度早已超越了人类，因此当前图像分类精度的最好成绩，往往是其他研究的副产物。ICLR 2017，谷歌大脑 Barret Zoph 和 Quoc V. Le 发表了“Neural Architecture Search with Reinforcement Learning”，他们用强化学习自动搜索神经网络结构，最终AI自己设计出的模型，在 CIFAR-10数据集上做图像分类取得了96.35%的精度。

或许令人意外，图像分类目前最好的结果是 Facebook AI Research 的 Benjamin Graham，在他2015年的Arxiv论文“Fractional Max-Pooling”中得到的，经过100次测试后在CIFAR-10上的误差仅为3.47%。这篇论文提出了一种新的 fractional max-pooling 方法，降低了各种数据集上的过拟合。

图像生成

说到图像生成，那自然就是生成对抗网络（GAN）。

GAN在今年不断发展，今年ICLR DeepMind 提出的 BigGAN，可谓当前最强图像生成模型，在128x128分辨率的ImageNet上训练，BigGAN的 Inception 分数（IS）可以达到 166.3 ，Frechet Inception 距离（FID）9.6。

关于BigGAN更详细的介绍看这里。

未来GAN还能提升到什么程度，值得期待！

图像分割

是的，图像分割王者是何恺明等人2017年提出的Mask-RCNN，mAP值26.2。

2018年8月，密歇根大学和谷歌大脑的研究人员合作，提出了一种图像语义分层处理框架，可以实现像素级别的图像语义理解和操纵，在图像中任意添加、改变、移动对象，并与原图浑然一体，实现真正的“毫无PS痕迹”。

虽然相关论文还未经过同行评议，但是根据上述研究人员在Arxiv论文汇报的结果，他们在图像分割上更胜一筹。

自然语言处理：分类/语义相似度/语法/电影评论/语义等价/问答/实体识别

BERT这个名字近来在NLP领域可谓是红红火火。

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!