隱藏的學(xué)霸之魂：Zero-Shot Learning如何打破“零起點”的封??？

2018年還剩不到10天，回顧一下今年CV（Computer Vision，計算機視覺）領(lǐng)域的進展，在技術(shù)上并沒有迎來什么革命性的新突破。

幾個頭部企業(yè)的業(yè)務(wù)重點，除了強化現(xiàn)有算法的精度，更多還是將精力投擲在商業(yè)布局上。

似乎每家公司都在為這個看得見的“賽點”爭分奪秒地發(fā)掘新應(yīng)用場景。

不過，還是有很多新技術(shù)的進步值得我們專門用一篇文章來說一說，比如今天要講的Zero-Shot Learning。

畢竟，當場景被開發(fā)到極限，大家就又回到了技術(shù)的起跑線。

什么是ZSL？

零樣本學(xué)習(xí)zero-shot learning，是最具挑戰(zhàn)的機器識別方法之一。2009年，Lampert 等人提出了Animals with Attributes數(shù)據(jù)集和經(jīng)典的基于屬性學(xué)習(xí)的算法，開始讓這一算法引起廣泛關(guān)注。

之所以如此重要，因為其迥異于傳統(tǒng)圖像識別任務(wù)的思考方式。

從原理上來說，ZSL就是讓計算機具備人類的推理能力，來識別出一個從未見過的新事物。

舉個例子，我們告訴一個從沒見過斑馬的小朋友：“斑馬是一種長得像馬，身上有黑白色條紋的動物”，他就可以很輕松地在動物園里找出來哪個是斑馬。

這就解決了圖像識別長久以來的問題：如果一個事物從來沒有在現(xiàn)有數(shù)據(jù)集中出現(xiàn)過，機器應(yīng)該如何學(xué)習(xí)和識別它。

聽起來是不是很爽很智能的樣子，實際上也確實如此！

ZSL的“優(yōu)越感”來自哪里？

在CV領(lǐng)域的頂會CVPR 2018 會議中，一個關(guān)于使用鑒別性特征學(xué)習(xí)零樣本識別的論文，被認為代表了該領(lǐng)域當前的最佳水平。

之所以受到如此重視，主要源于近年來零樣本學(xué)習(xí)（ZSL）在目標識別任務(wù)中的大顯身手。

由于ZSL所挑戰(zhàn)的現(xiàn)實情境前所未有地苛刻，使其具備了影響其他圖像識別效果的關(guān)鍵能力。

現(xiàn)有識別技術(shù)大多集中于監(jiān)督學(xué)習(xí)，所以需要不斷推出更大的數(shù)據(jù)集，谷歌曾介紹說他們在用300Million的3D圖片進行訓(xùn)練。而且，每個領(lǐng)域還需要各自的數(shù)據(jù)集。

這種情況下，全部進行數(shù)據(jù)標注的工作量也變得很大，很多新生事物更是想標注都無從談起。這樣在部署端的效率和成本就成了產(chǎn)業(yè)的“不可承受之重”。

那怎么辦呢？科研人員只好努力讓機器學(xué)會“花更少的錢，辦更多的事”。

以騰訊AI Lab的研究為例，其“Diverse Image Annotation”，就是充分利用標簽之間的語義關(guān)系，用少量多樣性標簽來表達盡可能多的圖像信息，實現(xiàn)自動標注。

ZSL則更為極端，要在一個樣本都沒有的前提下“空手套白狼”，這種極限挑戰(zhàn)，就給技術(shù)界帶來了新的活力。

最大的區(qū)別在于， ZSL挑戰(zhàn)的是在相似語義中完成知識遷移，而OSL需要解決的是語義補全的能力，即如何利用唯一的樣本學(xué)習(xí)到更多的特征。

在實際應(yīng)用中，關(guān)鍵能力的不同，賦予了它們不同的“必殺技”。

比草原廣闊：ZSL的應(yīng)用場景

那么，ZSL到底能干些什么呢？

前面我們說過，目前產(chǎn)業(yè)界應(yīng)用深度學(xué)習(xí)最大的痛點，無非是愛上一匹野馬 (泛化能力)，可是家里沒有草原 (高質(zhì)量數(shù)據(jù)集) 。也并沒有企業(yè)會為了幾匹野馬，就不計成本地承包所有草原。

而ZSL能夠提供的想象空間，就比“草原”大得多了：

1.圖像自動標注、處理。人工標注代價高、速度慢，一旦ZSL被應(yīng)用，其語義理解和遷移能力，借助知識圖譜的輔助（如屬性、文本描述等），把不同的視覺聯(lián)合在一起進行系統(tǒng)觀察，可以自動完成數(shù)據(jù)的識別和標注工作，而且結(jié)果的準確性不低于人工。

2.未知或生僻語種翻譯。在電影《降臨》中，美國的語言學(xué)家通過艱難地特征推斷，完成了與外星人的溝通。未來，這件事可以由機器來代勞。比如說一些樣本很少甚至早已不可考的語言（比如烏伯克語），通過ZSL系統(tǒng)就可以自動完成翻譯過程，實現(xiàn)宇宙的love&peace。

3.新類別的圖像合成。ZSL的學(xué)習(xí)目標是識別新事物，一些新類別的圖像合成，完全可以通過ZSL被創(chuàng)造出來。比如還原已經(jīng)滅絕的物種。也許未來你在《侏羅紀》系列中看到的恐龍，就是機器“畫”出來的。

4.視頻識別。目前，越來越多的數(shù)據(jù)是視覺與文本信號共同出現(xiàn)，比如綜合性視頻網(wǎng)站，視頻、音頻、字幕、彈幕、評論等多模態(tài)信息都有，想要挖掘它們之間的相關(guān)性，就依賴于ZSL的宏觀預(yù)測能力。

總而言之，讓機器能夠像人一樣憑借“只言片語”做出推理和判斷，是一個很有用的功能。

從入門到放棄：ZSL的問題依然頑固

既然這么牛，為什么ZSL一直不溫不火呢？至少沒有像其他深度學(xué)習(xí)算法一樣成為“群寵”。主要原因還是在于幾個“牛皮癬式”的頑疾：

一是ZSL的效果依賴于相似模態(tài)的信息。在訓(xùn)練時如果訓(xùn)練集和測試集的類別相差太大，比如一個里面全是動物，另一個里面全是家居，這時讓ZSL分析二者的映射關(guān)系就太困難了，就很容易出現(xiàn)屬性漂移的“強偏”問題，難以預(yù)測出正確的結(jié)果，導(dǎo)致ZSL的性能表現(xiàn)大打折扣。

二是缺乏足量的專業(yè)定義和描述。ZSL雖然不需要大量的圖像數(shù)據(jù)集，但需要進行特征描述。這方面人工比機器分類效果更好。但目前還缺乏足夠的專業(yè)人員進行協(xié)助，NLP自身的發(fā)展也尚不足以滿足ZSL的需要，使得整體進程相對緩慢。

這些桎梏不解決，ZSL即便具備從零起點到學(xué)霸的潛力，也只能入寶山而空回，被不如它的算法搶走工作機會。

向AI問一下細節(jié)