計算機視覺是目前AI在中國落地最順利的技術。從目前的落地進展來看，移動互聯網、安防、零售、物流、醫療、文娛、無人駕駛的商業化有待成熟。以曠視科技Face++、商湯科技、極鏈科技Video++為代表的AI頭部企業戰略出現向平臺企業或軟硬一體化企業發展的分化趨勢及零售等新領域快速崛起。

計算機視覺在中國AI市場組成部分占比巨大。根據中國信通院2018年2月發布的報告數據，2017年，中國人工智能市場中計算機視覺占比37%，以80億元的行業收入排名第一。2018年信通院11月發布的《2018人工智能發展白皮書——技術篇》中以深度學習算法驅動的人工智能技術為主，數據顯示，在全球人工智能產業蓬勃發展的今天，人工智能技術以機器學習，特別是深度學習為核心，在視覺、語音、自然語言等應用領域迅速發展，已經開始滲入到各個行業。BBC預測，2020年全球人工智能市場規模約183億美元，年均增長20%。在人工智能產業應用上，從融資規模和市場結構來看，中國AI企業更集中于視覺和語音方向。

目前，深度學習幾乎成了計算機視覺領域的標配，也是當下人工智能領域最熱門的研究方向。計算機視覺的應用場景和深度學習背后的技術原理是什么呢?

深度學習背后的技術原理

機器學習

機器學習的本質其實是為了找到一個函數，讓這個函數在不同的領域會發揮不同的作用。像語音識別領域，這個函數會把一段語音識別成一段文字;圖像識別的領域，這個函數會把一個圖像映射到一個分類;下圍棋的時候根據棋局和規則進行博弈;對話，是根據當前的對話生成下一段對話。機器學習離不開學習兩個字，根據不同的學習方式，可以分為監督學習和非監督學習兩種方式。

監督學習中，算法和數據是模型的核心所在。在監督學習中最關鍵的一點是，我們對訓練的每個數據都要打上標簽，然后通過把這些訓練數據輸入到算法模型經過反復訓練以后，每經過一次訓練都會減少算法模型的預計輸出和標簽數據的差距。

通過大量的訓練，算法模型基本上穩定下來以后，我們就可以把這個模型在測試數據集上驗證模型的準確性。這就是整個監督學習的過程，監督學習目前在圖片分類上應用得比較多。

非監督學習里跟監督學習不同的地方是，非監督學習不需要為所有的訓練數據都打上標簽。非監督學習主要應用在兩個大類，第一類是做聚類分析，聚類分析是把一組看似無序的數據進行分類分組，以達到能夠更加更好理解的目的。

另外是做自動編碼器，在數據分析的時候，原始數據量往往比較大，除了包含一些冗余的數據，還會包含一些對分析結果不重要的數據。自動編碼器主要是對原始數據做降維操作，把冗余的數據去掉，提高后面數據分析的效率。

通過不同的學習方式獲取到數據后，算法是接下來非常重要的一環。算法之于計算機就像大腦對于我們人類，選擇一個好的算法也是特別重要的。

神經網絡

神經網絡是受人腦神經元結構的啟發，研究者認為人腦所有的神經元都是分層的，可以通過不同的層次學習不一樣的特征，由簡單到復雜地模擬出各種特征。

上圖是計算機應用數學的方式來模擬人腦中神經元的示意圖。a1到ak是信號的輸入，神經元會對輸入信號進行兩次變換。第一部分是線性變換，因為神經元會對自己感興趣的信號加一個權重;第二部分是非線性變換。

神經網絡就是由許多的神經元級聯而形成的，每一個神經元都經過線性變換和非線性變換，為什么會有非線性變換?從數學上看，沒有非線性變換，不管你神經網絡層次有多深都等價于一個神經元。如果沒有非線性變換，神經網絡深度的概念就沒有什么意義了。

卷積神經網絡

以上所講的都是一般的全連接神經網絡，接下來進入卷積神經網絡。卷積神經網絡是專門針對圖片處理方面的神經網絡。卷積神經網絡首先會輸入一張圖片，這張圖片有三個顏色通道的數據，這是輸入層。下面是卷積層，有一個卷積核的概念，每一個卷積核提取圖片的不同特征。

提取出來以后到池化層，就是把卷積層的數據規模縮小，減少數據的復雜度。卷積和池化連起來我們叫做一個隱層，一個卷積神經網絡會包含很多個隱層，隱層之后是全連接層，全連接層的目的是把前面經過多個卷積池化層的特征把數據平鋪開，形成特征向量，我們把特征向量輸入到分類器，對圖片進行分類。

簡單來說，卷積神經網絡更適合計算機視覺主要有兩個原因，一是參數共享，另外一個是稀疏連接。

2015年基于深度學習的計算機視覺算法在ImageNet數據庫上的識別準確率首次超過人類，同年Google在開源自己的深度學習算法。這些帶動中美兩國的科學家把計算機視覺算法運用到安防、金融、互聯網、物流、零售、醫療、文娛、制造業等不同垂直行業。但在實際的運用當中，由于數據可得性、算法成熟度、服務的容錯率等因素的影響，落地的速度開始出現分化。其中，移動互聯網、安防、醫療、無人駕駛等發展較慢。

技術發展趨勢:

提高預測精度，降低數據標注成本隨著技術的不斷發展，計算機視覺能夠識別信息的種類從最初的文字信息，到人臉，人的體態識別，以及各種不同的物體。

能夠識別的精度也從最初的人1:1比對，到用于門禁系統等1:N比對，以及用在黑名單監控等場景的M:N動態監控。除了提高算法精度以外，提高數據標注的效率也是計算機視覺公司重要的課題之一。

企業發展戰略開始分化，商湯向左，曠視向右計算機視覺技術在中國的快速落地，吸引了以曠視科技Face++、商湯科技、極鏈科技Video++為代表的以算法為核心競爭力的AI初創公司，擁有強大數據采集及軟件開發能力的互聯網公司，以及華為這樣的科技巨頭。經過一年多的發展，各個公司都已經根據自己資源的不同，戰略出現了分化。

各類公司初始時在產業環節中各有偏好，初創企業在算法與模型訓練上占優，互聯網企業則擁有天然的數據優勢，安防企業則憑借極強的工程能力加速安防項目落地。AI頭部初創企業近年來融資動作頻繁，受到資本市場的青睞，在資金方面暫無瓶頸，然而面臨互聯網巨頭的挑戰，各大初創企業應依托已有的獨立設計算法的能力，構建平臺型解決方案，在研發能力與方案落地速度上取勝。