以下文章来源于数据实战派，作者Paul Pop
转自 数据实战派
作者：Paul Pop（Neurolabs CEO）

文章插图
译者：张雨嘉
原文：How our Obsession with Algorithms Broke Computer Vision: And how Synthetic Computer Vision can fix it
深度学习的出现带动了整个机器学习领域的发展，以数据为中心的发展也一样 。
本文将论述主流计算机视觉（CV）的缺陷，和未来的发展重点：合成计算机视觉（SCV） 。
计算机视觉的现状
根据 Crunchbase 统计，过去 8 年里对超过 1800 家计算机视觉创始公司的投资价值超过 150 亿美元 。《福布斯》数据也表示，现在有 20 多家 CV 公司的估值超过 10 亿美元，并且还在持续增加中 。
为什么这些公司的估值这么高？因为他们教会计算机看待世界的方法，让以前通过人类视觉才能完成的任务进行自动化 。
这种繁荣景象是在 2012 年计算机视觉领域出现神经网络技术之后才有的 。神经网络是模拟人类大脑的一种算法，使用大量的人类打标数据进行训练 。自 2012 年以来，算法进行多次稳步改进，在某些视觉任务上的性能已经可以与人类相媲美，比如目标计数、唇语识别或癌症筛查任务等 。
这 10 年里，很多人都对计算机视觉领域的发展有所贡献：学术界研究更好的、先进的算法；大公司对努力给图像数据集打标签的人进行投资支持 。还有一些成果也会为了大家的利益进行开源，比如包含 1400 万张图像数据的 ImageNet 数据集 。
但是，当我们将这些系统部署成产品时，就会遇到以下问题：
1.现有标注数据并不可靠 。麻省理工学院一支团队对机器学习（ML）的数据集进行系统研究时发现，ImageNet 数据集中标记错误的错误率为 5.93%，其他数据集的平均错误率为 3.4% 。
2.很少有人去专门解决数据本身的问题 。学术界大都把智慧集中在算法开发方面，忽略了对良好数据的需求 。吴恩达曾表示，人们 99% 的注意力放在算法上，而数据仅剩 1% 。
3.计算机视觉算法不能很好地从一个领域推广到另一领域 。用于检测法国南部车辆的算法，就很难在积雪覆盖的挪威进行车辆检测 。同样，在特定相机上训练的系统很可能在另一个相机制造商或型号上就会出故障 。
早在 1946 年，Alan Turin 就建议将国际象棋作为计算机能力的评价标准之一 。经过更加深入的研究，这一标准得到了很多媒体的和认可 。
Elo 评分系统是大家普遍接受的衡量国际象棋表现的方法，它可以有效比较大家的棋艺水平 。下图是世界冠军和国际象棋游戏引擎的评分 。在过去的50年里，人类的表现一直徘徊在 2800 分，但在 2010 年被计算机超越 。
最近十年，人类一直基于自己可以理解的规则设计国际象棋算法 。但深度学习革命却可以超越人类的理解范围，带来像计算机视觉一样的飞跃发展 。
图 | 国际象棋引擎和人类的ELO评分
尽管在深度学习的技术下国际象棋游戏引擎已经取得不错的发展，但它已经被下一代的国际象棋引擎超过：DeepMind的AlphaZero 。更惊人的是，AlphaZero 没有使用任何人类提供的数据 。它在没有任何象棋游戏知识，也没有任何人类指导最佳走法的情况下构造的 。AlphaZero 既是老师，也是学生——通过与自己的竞争和学习，教会自己如何更好地玩象棋游戏 。
AlphaZero 没有输掉一场比赛，就战胜了当时最好的 Stockfish 8 引擎 。即使少给 AlphaZero 一个数量级的考虑时间，仍能保持这种优势 。
看到 AlphaZero 的显著成果，人们不禁要问：我们能否将它在国际象棋领域的成功应用到计算机视觉领域？

• 新款天籁属于什么级别车
• 金丝熊不能吃的东西 金丝熊不能吃什么东西
• 债务人发生什么情形债权人可以向人民法院提起撤销权诉讼
• 龟背竹什么情况下浇水 龟背竹浇水要浇透吗
• 热带鱼生完小鱼的症状 热带鱼生产前什么症状
• 财官印俱全不规则大富是什么意思
• 雪糕吃不完可用来做什么
• 什么是养生局 什么是养生
• 银鲫是什么鱼种 银鲫是什么鱼
• 生完孩子第一天应该吃什么