眾所周知，計(jì)算機(jī)視覺系統(tǒng)有時(shí)會(huì)對(duì)與常識(shí)相悖的場(chǎng)景進(jìn)行推斷。例如，如果機(jī)器人正在處理餐桌的場(chǎng)景，它可能會(huì)完全忽略任何人類觀察者都可以看到的碗，認(rèn)為盤子漂浮在桌子上方，或者誤認(rèn)為叉子正在穿透碗而不是靠著它。

有鑒于此，如果將計(jì)算機(jī)視覺系統(tǒng)轉(zhuǎn)移到自動(dòng)駕駛汽車上，風(fēng)險(xiǎn)就會(huì)高得多——例如，這種系統(tǒng)無(wú)法檢測(cè)到緊急車輛和過馬路的行人。

為了克服這些錯(cuò)誤，麻省理工學(xué)院（MIT）的研究人員開發(fā)了一個(gè)框架，可以幫助機(jī)器像人類一樣看世界。他們用于分析場(chǎng)景的新人工智能系統(tǒng)學(xué)習(xí)僅從幾張圖像中感知真實(shí)世界的對(duì)象，并根據(jù)這些學(xué)習(xí)到的對(duì)象感知場(chǎng)景。

研究人員使用概率編程構(gòu)建了這個(gè)框架，這是一種人工智能方法，能夠讓系統(tǒng)對(duì)檢測(cè)到的物體與輸入數(shù)據(jù)進(jìn)行交叉檢查，以查看攝像機(jī)記錄的圖像是否與任何候選場(chǎng)景可能匹配。概率推理允許系統(tǒng)推斷出不匹配是否可能是由于噪聲或場(chǎng)景解釋中的錯(cuò)誤導(dǎo)致的，需要通過進(jìn)一步處理來糾正。

這種常識(shí)性的保護(hù)措施使系統(tǒng)能夠檢測(cè)并糾正許多困擾“深度學(xué)習(xí)”方法的錯(cuò)誤，這些方法也已用于計(jì)算機(jī)視覺。概率編程還可以推斷場(chǎng)景中對(duì)象之間可能的接觸關(guān)系，并使用關(guān)于這些接觸的常識(shí)推理來推斷對(duì)象的更準(zhǔn)確位置。

“如果你不知道接觸關(guān)系，那么你可以說一個(gè)物體漂浮在桌子上方——這將是一個(gè)有效的解釋。作為人類，我們很明顯知道這在物理上是不現(xiàn)實(shí)的，放在桌子頂部的物體更可能是物體的姿勢(shì)。因?yàn)槲覀兊耐评硐到y(tǒng)知道這種知識(shí)，所以它可以推斷出更準(zhǔn)確的姿勢(shì)。這是這項(xiàng)工作的一個(gè)關(guān)鍵見解，”該研究論文的主要作者 Nishad Gothoskar 說，他是概率計(jì)算項(xiàng)目的電氣工程和計(jì)算機(jī)科學(xué)（EECS）博士生。

研究人員將上述系統(tǒng)命名為“通過概率編程的3D場(chǎng)景感知（3DP3）”系統(tǒng)。為了分析場(chǎng)景的圖像，3DP3首先了解該場(chǎng)景中的對(duì)象。在只顯示物體的五張圖像后，每張圖像都是從不同的角度拍攝的，3DP3會(huì)學(xué)習(xí)物體的形狀并估計(jì)它在空間中占據(jù)的體積。

Gothoskar說，“如果我從五個(gè)不同的角度向您展示一個(gè)對(duì)象，您可以很好地表示該對(duì)象。您會(huì)了解它的顏色、形狀，并且能夠在許多不同的場(chǎng)景中識(shí)別該物體?！?/p>

“這比深度學(xué)習(xí)方法的數(shù)據(jù)要少得多。例如，Dense Fusion神經(jīng)對(duì)象檢測(cè)系統(tǒng)需要為每種對(duì)象類型提供數(shù)千個(gè)訓(xùn)練示例。相比之下，3DP3只需要每個(gè)對(duì)象幾張圖像，并報(bào)告每個(gè)對(duì)象形狀部分的不確定性。”他補(bǔ)充說。

3DP3系統(tǒng)會(huì)生成一個(gè)圖形來表示場(chǎng)景，其中每個(gè)對(duì)象都是一個(gè)節(jié)點(diǎn)，連接節(jié)點(diǎn)的線表示哪些對(duì)象彼此接觸。這使3DP3能夠更準(zhǔn)確地估計(jì)對(duì)象的排列方式。（深度學(xué)習(xí)方法依賴于深度圖像來估計(jì)對(duì)象姿態(tài)，但這些方法不會(huì)產(chǎn)生接觸關(guān)系的圖結(jié)構(gòu)，因此它們的估計(jì)不太準(zhǔn)確。）

研究人員指出，除了提高自動(dòng)駕駛汽車的安全性外，這項(xiàng)工作還可以提高計(jì)算機(jī)感知系統(tǒng)的性能，這些系統(tǒng)必須解釋物體的復(fù)雜排列，例如負(fù)責(zé)清潔雜亂廚房的機(jī)器人。

未來，研究人員希望進(jìn)一步推動(dòng)該系統(tǒng)，使其能夠從單個(gè)圖像或電影中的單個(gè)幀中了解對(duì)象，然后能夠在不同場(chǎng)景中穩(wěn)健地檢測(cè)該對(duì)象。他們還想探索使用3DP3為神經(jīng)網(wǎng)絡(luò)收集訓(xùn)練數(shù)據(jù)。人類通常很難用3D幾何體手動(dòng)標(biāo)記圖像，因此3DP3可用于生成更復(fù)雜的圖像標(biāo)簽。