計算機視覺技術(shù)專利分析

#本文僅代表作者觀點，不代表IPRdaily立場#

原標題：專利深一度|計算機視覺技術(shù)專利分析

人隨著深度學習的快速發(fā)展，計算機視覺與語音識別、自然語言處理共同構(gòu)成了人工智能的三個關(guān)鍵應用技術(shù)。計算機視覺賦予機器感知和認知世界的功能。

基于行業(yè)發(fā)展需求，國家知識產(chǎn)權(quán)局專利分析普及推廣項目人工智能關(guān)鍵技術(shù)課題組從計算機視覺技術(shù)專利整體現(xiàn)狀，智能安防、自動駕駛和醫(yī)療影像三大應用領(lǐng)域?qū)＠季?，對計算機視覺技術(shù)進行了深度剖析。

專利整體現(xiàn)狀

受益于深度學習算法的優(yōu)化、計算能力的突破以及數(shù)據(jù)的積累，計算機視覺技術(shù)從2012年開始快速迭代，不斷推陳出新。2012年，ImageNet大規(guī)模視覺識別挑戰(zhàn)賽中，冠軍團隊使用深度學習算法將識別錯誤率降低了10%，成為影響人工智能進程的里程碑事件，從此計算機視覺技術(shù)商業(yè)化落地能力不斷提高，迎來了突破性發(fā)展。

伴隨著技術(shù)的創(chuàng)新與突破，全球計算機視覺技術(shù)專利申請量開始激增，呈現(xiàn)指數(shù)增長，從2010年的200多件激增至2016年4000多件。中國近年來專利申請量連續(xù)取得世界第一，再加上中國對人工智能技術(shù)的重視，又是世界上最大的目標市場，因此中國以67.7%的占比，排在目標國申請量的首位，美國以近22%位居第二。

計算機視覺應用領(lǐng)域。

01、助力智能安防

隨著安防產(chǎn)品應用領(lǐng)域的不斷擴張，傳統(tǒng)安防技術(shù)的計算能力不足以應對日益增長的視頻和圖像數(shù)據(jù)，識別效率和識別準確率也阻礙安防產(chǎn)業(yè)進一步發(fā)展。計算機視覺技術(shù)中人臉識別技術(shù)具備超越人眼的實時識別準確率,與安防使用場景契合度較高，已成為智能安防的關(guān)鍵技術(shù)之一。

智能安防中的人臉識別算法經(jīng)歷了早期算法、人工特征+分類器、深度學習三個階段。早期算法有基于幾何特征的算法，基于模板匹配的算法，子空間算法等多種類型，這些算法嚴重依賴訓練集和測試集場景，且對光照、人臉的表情、姿態(tài)敏感，泛化能力不足，不具有太多的實用價值；第二階段的人臉識別算法普遍采用了人工特征+分類器的思路，部分解決了光照敏感問題，但還是存在姿態(tài)和表情的問題；目前利用深度學習的人臉識別算法已成主流，極大地提高了智能安防實時監(jiān)控精度，推動這一技術(shù)真正走向?qū)嵱谩?br/>

2013年，臉書（Facebook）的Yaniv Taigman等人提出了DeepFace算法，該算法基于檢測點實現(xiàn)人臉檢測，通過對檢測后的圖片進行二維裁剪，將人臉部分裁剪出來，然后轉(zhuǎn)換為3D模型，利用CNN模型對3D模型進行特征提取、歸一和分類完成人臉識別。DeepFace算法是人臉識別的奠基之作，直接影響了后續(xù)的DeepID和FaceNet等算法。

同年，香港中文大學的湯曉鷗教授及其團隊提出了DeepID算法，并憑借該算法參加2014年ImageNet大規(guī)模物體檢測任務比賽獲得第二名優(yōu)異成績。隨后團隊對DeepID算法進行改進提出DeepID2算法。DeepID2采用深度學習的方法來提取人臉高級特征，其采用的CNN網(wǎng)絡結(jié)構(gòu)共為10層，包括輸入層、4個卷積層、3個池化層、1個DeepID層和1個Softmax層；在提取特征后，使用了Joint Bayesian和Neural Network兩種方法進行區(qū)人臉比對，最終得出識別結(jié)果。

同年，谷歌的Christian Szegedy等人提出了Inception網(wǎng)絡結(jié)構(gòu)，該結(jié)構(gòu)構(gòu)造了一種“基礎神經(jīng)元”結(jié)構(gòu)，來搭建一個稀疏性、高計算性能的網(wǎng)絡結(jié)構(gòu)，將CNN中常用的卷積（1x1，3x3，5x5）、池化操作（3x3）堆疊在一起（卷積、池化后的尺寸相同，將通道相加），一方面增加了網(wǎng)絡的寬度，另一方面也增加了網(wǎng)絡對尺度的適應性。谷歌基于Inception搭建了GoogleNet。GoogleNet憑借其優(yōu)秀的表現(xiàn)，得到了很多研究人員的學習和使用。隨后，谷歌的Philbin James William等人又提出了FaceNet,與其他的深度學習方法在人臉上的應用不同，F(xiàn)aceNet并沒有用傳統(tǒng)的softmax的方式去進行分類學習，然后抽取其中某一層作為特征，而是直接進行端對端學習一種從圖像到歐式空間的編碼方法，然后基于這個編碼再做人臉識別、人臉驗證和人臉聚類等；將圖像輸入卷積神經(jīng)網(wǎng)絡去掉sofmax后的結(jié)構(gòu)，經(jīng)過L2的歸一化，然后得到特征表示，基于這個特征表示計算三元組損失，其可使用兩種卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，第一種是Zeiler&Fergus架構(gòu)，22層，第二種是GoogleNet式的Inception模型。在LFW上，使用了兩種模式：直接取LFW圖片的中間部分進行訓練，效果98.87左右；使用額外的人臉對齊工具，效果99.63左右，超過DeepID。

2014年至2016年期間，GoogleNet團隊對GoogleNet進行了進一步的發(fā)掘改進，研發(fā)出了Inception v2，Inception v3和Inception v4。最終基于Inception v4提出了inception-ResNet-v2。專利（申請?zhí)枺篣S15395530）披露了將nxn的卷積通過1xn卷積后接nx1卷積來替代以加速計算，又可以將1個卷積拆成2個卷積，使得網(wǎng)絡深度進一步增加，增加了網(wǎng)絡的非線性；或者使用了兩個并行化的模塊（卷積、池化并行執(zhí)行，再進行合并）來降低計算量，以及將ResNet與Inception 結(jié)合。

同在2016年，谷歌的Barret ZOPH等提出了NasNet，并以此提交了專利申請（申請?zhí)枺篣S62414300）。這個模型并非是人為設計出來的，而是通過谷歌很早之前推出的AutoML自動訓練出來的。該項目目的是實現(xiàn)“自動化的機器學習”，即訓練機器學習的軟件來打造機器學習的軟件，自行開發(fā)新系統(tǒng)的代碼層，它也是一種神經(jīng)架構(gòu)搜索技術(shù)(Neural Architecture Search technology)。其模型就是基于AutoML首先在CIFAR-10這種數(shù)據(jù)集上進行神經(jīng)網(wǎng)絡架構(gòu)搜索，以便AutoML找到最佳層并靈活進行多次堆疊來創(chuàng)建最終網(wǎng)絡，并將學到的最好架構(gòu)轉(zhuǎn)移到 ImageNet 圖像分類和COCO對象檢測中，其在圖像分類任務中表現(xiàn)極為優(yōu)秀。

為了更好地適應移動端平臺，2017年，谷歌的Howard Andrew Gerald等推出了MobileNet。該技術(shù)使用了一種稱之為deep-wise的卷積方式來替代原有的傳統(tǒng)3D卷積，減少了卷積核的冗余表達，在計算量和參數(shù)數(shù)量明顯下降之后，卷積網(wǎng)絡可以應用在更多的移動端平臺。其他創(chuàng)新主體也圍繞移動端應用進行大量技術(shù)創(chuàng)新，如通過神經(jīng)網(wǎng)絡模型的壓縮、大型網(wǎng)絡的特性遷移至小型網(wǎng)絡等。

02、賦能醫(yī)療影像

傳統(tǒng)的醫(yī)學影像依賴于醫(yī)師根據(jù)影像提供的信息進行診斷,而計算機視覺技術(shù)為醫(yī)療影像帶來了新機會。自2006年，全球涉及醫(yī)療影像的計算機視覺相關(guān)專利近2000件。

醫(yī)療影像的計算機視覺技術(shù)可以分為前期的圖像獲取，中期的圖像處理，以及后期的圖像診斷。圖像獲取進一步細分為圖像構(gòu)建、圖像生成、目標跟蹤，圖像處理包括圖像增強、圖像修復、圖像分割，圖像診斷分為圖像匹配、圖像構(gòu)建、圖像分類。無論從專利布局數(shù)量還是布局質(zhì)量，西門子、通用電氣和飛利浦是該領(lǐng)域最重要的專利申請主體。三家企業(yè)在醫(yī)療圖像構(gòu)建、醫(yī)療圖像生成、醫(yī)療圖像增強和醫(yī)療圖像修復等細分技術(shù)均進行了大量的專利布局，上述專利技術(shù)主要關(guān)注如何通過計算機視覺技術(shù)更高效地分析處理醫(yī)療數(shù)據(jù)，提升圖像檢測設備的性能，使其能獲取更加準確、更加豐富的信息。

03、革新自動駕駛

除了智能安防、醫(yī)療影像，視覺技術(shù)在自動駕駛方面的應用越來越受到眾多科技型企業(yè)、傳感器企業(yè)、汽車企業(yè)的重視。自動駕駛的圖像視覺處理領(lǐng)域，Mobileye公司具有絕對的技術(shù)優(yōu)勢和市場優(yōu)勢,Mobileye也一次又一次地利用技術(shù)的革新推動著產(chǎn)業(yè)的發(fā)展。

2006年，深度學習算法剛提出不久，Mobileye就嘗試利用深度學習算法對車燈進行了識別，并利用車燈信息對車輛進行識別導航。與此同時，福特提出利用人工智能技術(shù)修復低分辨率的圖像，使得汽車在夜間也能獲得更加清晰的圖像。早稻田大學嘗試將視覺系統(tǒng)和激光點云相融合，并融入人工智能技術(shù)。松下提出了專門處理環(huán)視視覺的處理器架構(gòu)，其布局可謂十分超前。因為直到不久前，Mobileye推出新的視覺輔助駕駛系統(tǒng)才開始采用多攝像頭的環(huán)視技術(shù)。Mobileye也在硬件系統(tǒng)上進行了嘗試，如對片上系統(tǒng)的中斷技術(shù)進行了研究。在這一階段，由于技術(shù)的不成熟，車輛控制技術(shù)所出現(xiàn)的關(guān)鍵技術(shù)較少。

2013年以后，人工智能在計算機視覺方面的技術(shù)發(fā)展得越來越成熟，大量的關(guān)鍵性技術(shù)涌現(xiàn)出來。比如Mobileye采用了人工智能識別算法，識別道路輪廓。百度也利用人工智能算法識別車道線。這些都對車輛行駛路徑的規(guī)劃提供了技術(shù)保障。福特、蘋果等也在算法領(lǐng)域進行了各種探索。

在硬件設備領(lǐng)域，同樣出現(xiàn)了一批代表性技術(shù)。隨著傳感技術(shù)和算法的發(fā)展，智能網(wǎng)聯(lián)汽車獲得的數(shù)據(jù)越來越多，而車輛的操控具備及時性，這就要求處理器能在短時間內(nèi)處理大量的數(shù)據(jù)。

Mobileye在硬件系統(tǒng)方面做出了大量的嘗試，研發(fā)了多核多線程處理設備。從產(chǎn)品上來看，Mobileye也一直自主設計芯片，其擁有多代EyeQ芯片，芯片和算法的融合設計使得其計算能力得到了進一步提升。其他的創(chuàng)新主體，比如法雷奧、東芝也在硬件設備的改造上進行了嘗試。

國家知識產(chǎn)權(quán)局專利分析普及推廣項目人工智能關(guān)鍵技術(shù)課題組

來源：國家知識產(chǎn)權(quán)局微信

編輯：IPRdaily王穎          校對：IPRdaily縱橫君

推薦閱讀（點擊圖文，閱讀全文）

官宣！2019全球知識產(chǎn)權(quán)生態(tài)大會（GIPC）即將來襲！

官宣！首屆“全球科技創(chuàng)新與知識產(chǎn)權(quán)總裁研修班”招生簡章

“投稿”請投郵箱“iprdaily@163.com”

「關(guān)于IPRdaily」

IPRdaily成立于2014年，是全球影響力的知識產(chǎn)權(quán)媒體+產(chǎn)業(yè)服務平臺，致力于連接全球知識產(chǎn)權(quán)人，用戶匯聚了中國、美國、德國、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國等15個國家和地區(qū)的高科技公司、成長型科技企業(yè)IP高管、研發(fā)人員、法務、政府機構(gòu)、律所、事務所、科研院校等全球近50多萬產(chǎn)業(yè)用戶（國內(nèi)25萬+海外30萬）；同時擁有近百萬條高質(zhì)量的技術(shù)資源+專利資源，通過媒體構(gòu)建全球知識產(chǎn)權(quán)資產(chǎn)信息第一入口。2016年獲啟賦資本領(lǐng)投和天使匯跟投的Pre-A輪融資。

（英文官網(wǎng)：iprdaily.com  中文官網(wǎng)：iprdaily.cn） 

本文來自國家知識產(chǎn)權(quán)局微信并經(jīng)IPRdaily.cn中文網(wǎng)編輯。轉(zhuǎn)載此文章須經(jīng)權(quán)利人同意，并附上出處與作者信息。文章不代表IPRdaily.cn立場，如若轉(zhuǎn)載，請注明出處：“http://www.islanderfriend.com/”