24、通用人工智能视觉系统与语义图像检索的研究进展

通用人工智能视觉系统与语义图像检索的研究进展

1. 通用人工智能视觉系统框架

1.1 判别模型

判别模型在图像识别领域有着重要应用，深度卷积神经网络（DCNNs）在图像识别中表现出色。然而，对于通用人工智能（AGI）的视觉任务而言，DCNNs存在一些不足。
- 任务范围局限 ：AGI的视觉任务更为广泛，不仅要通过图像识别物体，还需构建包含物体形状、姿态、反射率图等信息的场景描述。虽然DCNNs也用于目标检测、3D重建和语义分割，但效果并不理想。例如，用于解决同步定位与地图构建（SLAM）问题的神经网络架构与纯判别式的DCNNs有很大差异。
- 数据依赖与泛化能力弱 ：应用中的DCNNs通常在标注数据上进行训练。构建AGI时，尽管可以使用预训练模型，但新模型的训练不可避免。此时，手动标注数据缺失，判别模型需基于生成模型进行训练，学习信号变弱。经典DCNNs的泛化效率极低，只能在训练样本范围内进行插值，无法对训练范围外的情况进行泛化。例如，若DCNN未见过某类物体在特定角度范围内的旋转情况，即便它能识别其他类物体在所有角度的情况，也无法识别该类物体在新角度下的样子。

为解决泛化能力弱的问题，可以采用一些方法，如引入动态寻址，像具有外部存储器的模型或胶囊网络。但胶囊网络只能部分解决弱泛化问题。例如，在对MNIST数字进行实验时，用CapsNets对六个任意旋转的数字和两个在[-45°, 45°]范围内旋转的数字（3和4）进行训练，在训练集上对3和4在[-45°, 45°]范围内旋转的识别精度较高，但在180° ± 45°时精度极低。

1.2 生成模型