本文与 MIT News合作发表。
物体识别系统正开始变得相当出色——就Facebook的人脸识别算法而言,其能力已强得令人不安。
但物体识别系统通常需要基于数百万个视觉样本进行训练,这与人类的学习方式相去甚远。只要给人看两三张某个物体的图片,他或她通常就能识别出该物体的新实例。
四年前,麻省理工学院麦戈文脑研究所的托马索·波焦(Tomaso Poggio)团队开始开发一种新的视觉表征计算模型,旨在反映大脑的实际运作方式。在即将刊出的《理论计算机科学》期刊中,研究人员证明,基于该模型的机器学习系统确实能够仅凭少量样本,对物体做出高度可靠的区分。
在该论文以及10月发表于《PLOS计算生物学》的另一篇论文中,他们还表明,其模型的若干方面与有关大脑工作方式的经验证据高度吻合。
“如果我在某个距离上看到你的脸部图像,而下次见到你时,我是从另一个距离看你,图像会大不相同,而简单的匹配方法并不奏效,”麻省理工学院脑与认知科学系尤金·麦克德莫特脑科学教授波焦说,“要解决这一问题,你要么需要大量样本——我不仅需要看到你处于一种姿态下的脸,而是需要看到你处于所有可能姿态下的脸——要么你需要一种物体的不变表征。”
物体的不变表征是指对大小、位置以及平面内旋转等差异不敏感的表征。计算机视觉研究人员已提出了多种物体不变表征技术,但波焦团队面临的进一步挑战在于:找到一种与我们所知的大脑运作机制相一致的不变表征。
神经元在计算什么
神经细胞,即神经元,是细长的细胞,末端有分支。在负责视觉处理的大脑皮层中,每个神经元两端各有约10,000个分支。
因此,两个皮层神经元之间通过10,000个不同的化学连接点相互通讯,这些连接点被称为突触。每个突触都有其自身的“权重”,即一个用以放大或缩小传入信号强度的系数。所有10,000个突触传递的信号随后在神经元胞体中相加。刺激模式和电活动会随时间改变突触的权重,而习惯与记忆正是通过这一机制根深蒂固的。
线性代数这一数学分支中的一项关键运算是点积:它将两个数列(或称向量)的元素按一定规则相乘,再将结果相加,得到一个单一数值。因此,在皮层中,单个神经回路的输出可以被视为两个含10,000个变量的向量的点积。这是一项非常庞大的计算,而大脑中的每个神经元都能一蹴而就地完成。
波焦团队基于点积开发了一种物体的不变表征。假设你制作一段小型数字影片,展示某个物体在平面内旋转360度的过程——比如24帧,每一帧所显示的物体都比上一帧多旋转了一点。你将该影片存储为一个由24张静态图像组成的序列。
接下来假设你看到一幅陌生物体的数字图像。由于该图像可以被理解为一串描述像素颜色值的数字——即一个向量——你可以计算它与影片中每一帧静态图像的点积,并存储这由24个数值组成的序列。
不变性
现在,如果你看到同一物体旋转了例如90度的图像,并计算它与你那组静态图像序列的点积,你将得到相同的24个数值。它们的顺序会不同:原先与第一帧的点积,现在将变为与第六帧的点积。但这些数值本身是相同的。
因此,这一数列便是该新物体的一种对旋转不变的表征。描绘物体处于不同大小、或画面中不同位置的相似静态图像序列,将分别产生对大小和位置不变的点积序列。
在他们的新论文中,波焦及其同事——第一作者法比奥·安塞尔米(Fabio Anselmi),他是波焦团队的博士后研究员;乔尔·莱博(Joel Leibo),他是麦戈文脑研究所的研究附属人员,同时也是谷歌DeepMind的研究科学家;洛伦佐·罗萨斯科(Lorenzo Rosasco),他是脑与认知科学系的访问教授;以及吉姆·马奇(Jim Mutch)和安德烈亚·塔凯蒂(Andrea Tacchetti),他们是波焦团队的研究生——证明,如果目标是生成一种对旋转、大小和位置均不变的物体表征,那么理想的模板是一组称为Gabor滤波器的图像。而事实证明,Gabor滤波器已知能够较好地描述视觉皮层中所谓“简单细胞”所执行的图像处理操作。
三个维度
虽然这一技术对平面内的视觉变换效果良好,但对于三维旋转则效果欠佳。一幅新图像与例如正视所见汽车图像的点积,会与该图像与侧视所见汽车图像的点积大不相同。
但波焦团队已经表明,如果模板图像所描绘的物体与新物体属于同一类型,点积仍能产生足够不变的描述。这一观察与麻省理工学院Nancy Kanwisher等人的最新研究相吻合,该研究表明,视觉皮层中存在专门用于识别特定类别物体(例如面孔或身体)的区域。
在《PLOS计算生物学》所述的工作中,波焦及其同事——莱博、安塞尔米,以及电气工程与计算机科学专业的研究生廖千里(Qianli Liao)——构建了一套计算机系统,该系统汇集了一组静态图像,并使用点积算法学习对数千种随机物体进行分类。
对于该系统所学习的每一类物体,它都生成了一组模板,这些模板能够预测人类视觉皮层中对应类别所占区域的大小和变异度。研究人员认为,这表明大脑与他们的系统可能在做着相似的事情。
加州理工学院生物学与工程学教授、艾伦脑科学研究所首席科学官克里斯托夫·科赫(Christof Koch)表示:“研究人员提出的不变性假说,是弥合当代机器学习——其强调数百万个标注样本——与灵长类视觉系统之间巨大鸿沟的一种有力途径,而灵长类视觉系统在许多情况下只需单一样本即可学习。”他补充道:“如果我们要在构建强大人工系统的道路上理解现存的自然智能系统,这种优雅的数学框架将是必不可少的。”
研究人员的工作部分得到了麻省理工学院“大脑、心智与机器中心”的资助,该中心由美国国家科学基金会资助,并由波焦领导。
刊发本文不代表世界经济论坛认可文中观点。
要紧跟 Agenda 的最新动态, 订阅我们的每周通讯。
作者:拉里·哈德斯蒂(Larry Hardesty)是《麻省理工学院新闻》的特约撰稿人。
图片:人形机器人AILA(人工智能轻型安卓机器人)的手在一次演示中操作配电盘。路透社/Fabrizio Bensch。




