2018年還剩20天，人工智能的熱度一點沒減。除了下圍棋、認人臉，人工智能究竟發(fā)展到了什么地步？匯總各領域學術論文最先進成果，今天，讓我們來看計算機視覺和自然語言處理這兩個領域AI進展的真實情況。

2018年，人工智能熱度不減，成果不斷。

雖然少了去年動輒“超越人類”的銳氣，但“輔助人類”的人工智能，如今究竟發(fā)展到什么程度？就讓我們在2018即將結束的時候，來一個簡單的回顧。

拋開劑量談毒性是耍流氓，拋開數(shù)據(jù)集和特定任務談人工智能進展也一樣。“state of the art.ai”是MIT和UNAM的學生做的一個網站，收進了目前最優(yōu)的算法，涵蓋了計算機視覺、游戲、自然語言處理、網絡圖和知識庫、程序歸納和程序合成、音頻處理、時間序列處理七個領域。

下面，我們就根據(jù)已經發(fā)表的科研論文，先來看看計算機視覺和自然語言處理這兩大AI領域的情況。

計算機視覺

3D/3D Reconstruction

“3D”可以說是眼下CV領域最火的一個詞。今年各家智能手機宣傳里都提到了“3D結構光”。那么，3D視覺發(fā)展到了什么程度？

2017年的CVPR，MIT、馬薩諸塞大學阿默斯特分校和谷歌DeepMind的研究人員展示了一項成果，使用自動編碼器（VAE），構建了一個名叫SingleVPNet的框架，能從多個視角的深度圖或其相應的輪廓（silhouette）學習生成模型，并使用渲染函數(shù)從這些圖像生成細節(jié)精致的3D形狀。

不僅如此，他們提出的框架還能通過綜合不同視角的2D深度圖（甚至在有遮擋的情況下），生成新的3D形狀。

SingleVPNet在3D形狀數(shù)據(jù)集SharpNetCore上取得了平均誤差0.35的結果。換句話說，生成逼真的3D形狀還有一段距離。

補充，SharpNetCore是ShapeNet的一個子集，目前包括55個常見對象類別（覆蓋了計算機視覺領域常用的3D基準數(shù)據(jù)集PASCAL 3D+的12個對象類別），約有51300個獨特的3D模型，每個模型都有手動驗證的類別和對齊注釋，由普林斯頓、斯坦福和豐田技術研究所（TTIC）的研究人員共同創(chuàng)建。

動作識別

動作識別指從視頻中識別不同的動作，這個動作可能貫穿整個視頻，也可能不會。動作識別是圖像識別的擴展，涉及從多幀視頻中進行圖像識別，然后從每一個幀中聚集預測結果。

2017年的NeurIPS，CMU機器人學院的研究人員Rohit Girdhar 和 Deva Ramanan 利用注意力機制（Attentional Pooling），在保持網絡復雜度和計算量基本不變的情況下，在三個靜態(tài)圖像和視頻標準動作識別數(shù)據(jù)集上提升了動作識別的基準。其中，在MPII人體姿態(tài)數(shù)據(jù)集上取得了12.5％的相對改進。

不過，看絕對值，平均精度還停留在52.2個百分點上面。

人臉識別

根據(jù)美國國家標準與技術研究院（NIST）今年11月16日公布的結果，在被譽為工業(yè)界“黃金標準”的全球人臉識別算法測試（FRVT）中，依圖科技以千萬分之一誤報下的識別準確率超過99%，繼續(xù)保持全球人臉識別競賽冠軍。

千萬分位誤報下的識別準確率超過99%，意味著更多核心關鍵的安防場景被解鎖。相比于去年同期，全球人臉識別性能提升了80%。

值得一提，在這份官方公布的報告中，中國人工智能公司實力展現(xiàn)，依圖科技（yitu）、商湯科技（sensetime）、曠視科技（megvii）囊括了前十中的五席，加上排名第五的中國科學院深圳先進技術研究院（siat），中國團隊已經超過半數(shù)，并穩(wěn)穩(wěn)“霸屏”前五，領跑全球人臉識別算法。

人體姿態(tài)估計

今年2月，上海交通大學盧策吾團隊MVIG實驗室AlphaPose 系統(tǒng)上線，是首個在 COCO 數(shù)據(jù)集上可達到 70+ mAP 的開源姿態(tài)估計系統(tǒng)。

今年9月，AlphaPose系統(tǒng)升級，采用 PyTorch 框架，在姿態(tài)估計標準測試集COCO validation set上，達到 71mAP的精度（比 OpenPose 相對提升17%，Mask-RCNN相對提升8%），同時，速度達到了20FPS（比 OpenPose 相對提高66%，Mask-RCNN相對提高300%）。

AlphaPose系統(tǒng)，是基于上海交大MVIG組提出的 RMPE 二步法框架（ICCV 2017論文）構建的，相比其他開源系統(tǒng)在準確率有很大提高，比OpenPose相對提高17%，Mask-RCNN相對提高8.2%。

升級后，各個開源框架在COCO-Validation上性能，時間在單卡1080ti GPU測出指標如下：

圖像分類

計算機在圖像分類任務上的精度早已超越了人類，因此當前圖像分類精度的最好成績，往往是其他研究的副產物。ICLR 2017，谷歌大腦 Barret Zoph 和 Quoc V. Le 發(fā)表了“Neural Architecture Search with Reinforcement Learning”，他們用強化學習自動搜索神經網絡結構，最終AI自己設計出的模型，在 CIFAR-10數(shù)據(jù)集上做圖像分類取得了96.35%的精度。

或許令人意外，圖像分類目前最好結果是Facebook AI Research的Benjamin Graham在他2015年Arxiv論文“Fractional Max-Pooling”中得到的，經過100次測試后在CIFAR-10上誤差僅為3.47%。這篇論文提出了一種新的fractional max-pooling方法，降低了各種數(shù)據(jù)集上的過擬合。

圖像生成

說到圖像生成，那自然就是生成對抗網絡（GAN）。

GAN在今年不斷發(fā)展，今年ICLR DeepMind 提出的 BigGAN，可謂當前最強圖像生成模型，在128x128分辨率的ImageNet上訓練，BigGAN的Inception 分數(shù)（IS）可以達到 166.3 ，F(xiàn)rechet Inception 距離（FID）9.6。

關于BigGAN更詳細的介紹看這里。

未來GAN還能提升到什么程度，值得期待！

圖像分割

是的，圖像分割王者是何愷明等人2017年提出的Mask-RCNN，mAP值26.2。

2018年8月，密歇根大學和谷歌大腦的研究人員合作，提出了一種圖像語義分層處理框架，可以實現(xiàn)像素級別的圖像語義理解和操縱，在圖像中任意添加、改變、移動對象，并與原圖渾然一體，實現(xiàn)真正的“毫無PS痕跡”。

雖然相關論文還未經過同行評議，但是根據(jù)上述研究人員在Arxiv論文匯報的結果，他們在圖像分割上更勝一籌。

自然語言處理

分類/語義相似度/語法/電影評論/語義等價/問答/實體識別

BERT這個名字近來在NLP領域可謂是紅紅火火。

10月13日，谷歌AI團隊新發(fā)布的BERT模型，在機器閱讀理解頂級水平測試SQuAD1.1中表現(xiàn)出驚人的成績：全部兩個衡量指標上全面超越人類！并且還在11種不同NLP測試中創(chuàng)出最佳成績，包括將GLUE基準推至80.4％（絕對改進7.6％），MultiNLI準確度達到86.7% （絕對改進率5.6％）等。

谷歌團隊的Thang Luong直接定義：BERT模型開啟了NLP的新時代！

BERT的新語言表示模型，它代表Transformer的雙向編碼器表示。與最近的其他語言表示模型不同，BERT旨在通過聯(lián)合調節(jié)所有層中的上下文來預先訓練深度雙向表示。因此，預訓練的BERT表示可以通過一個額外的輸出層進行微調，適用于廣泛任務的最先進模型的構建。

如前文所述，BERT在11項NLP任務中刷新了性能表現(xiàn)記錄！在此舉出其中一項結果。

GLUE測試結果，由GLUE評估服務器給出。每個任務下方的數(shù)字表示訓練樣例的數(shù)量?！捌骄币粰谥械臄?shù)據(jù)與GLUE官方評分稍有不同，因為我們排除了有問題的WNLI集。BERT 和OpenAI GPT的結果是單模型、單任務下的數(shù)據(jù)。所有結果來自https://gluebenchmark.com/leaderboard和https://blog.openai.com/language-unsupervised/

SQuAD 結果。BERT 集成是使用不同預訓練檢查點和微調種子（fine-tuning seed）的 7x 系統(tǒng)。

CoNLL-2003 命名實體識別結果。超參數(shù)由開發(fā)集選擇，得出的開發(fā)和測試分數(shù)是使用這些超參數(shù)進行五次隨機重啟的平均值。

總體而言，BERT模型在NLP領域中的多項任務取得目前最佳效果，包括

分類、語義相似度、語法、電影評論、語義等價、問答、實體識別等等。

常識推理

在常識推理方面(Commensense Inference)，目前取得最先進水平的是Antonio Lieto等人于2017年發(fā)布的文章：Dual PECCS: a cognitive system for conceptual representation and categorization。

當然，該篇文章的結果在概念分類準確率(Concept Categorization Accuracy)上目前最佳，為89；但在Dev和Test準確率方面，目前依舊BERT模型結果最佳，分別為86.6和86.3。

機器翻譯

在機器翻譯任務中(Machine Translation)，目前取得最佳結果來自于Zhen Yang等人于今年4月在Arxiv上發(fā)布的文章：

該文章的算法主要結合了Transformer+BR-CSGAN，在BLEU上取得的評分結果為43.01，為目前最佳結果。

自然語言推斷

在自然語言推斷(Natural Language Inference)任務中，目前最佳結果來自于Yichen Gong等人于今年5月在Arxiv上發(fā)布的文章：

該論文采用的算法是DIIN，在準確率方面目前為89.84，目前處于最佳水平。

以上是計算機視覺和自然語言處理兩個領域的最新發(fā)展情況。想要了解AI其它領域中各任務目前取得的最佳結果可以參考如下鏈接：

https://www.stateoftheart.ai/