作者： 美國康奈爾大學(xué)四年級本科生 林之秋將門好聲音第·55·期CVPR 2020系列分享第·14·期2020年讓我們不斷見識到“后浪”的超強力量，也讓世界看到了矚目的華人新星。在今年6月舉辦的CVPR中，年齡最小的一位一作獲獎?wù)呱踔吝�在本科階段。他就是來自康奈爾大學(xué)的四年級學(xué)生、98年出生的AI科學(xué)新秀——林之秋。

林之秋以一作身份提交CVPR 2020的論文「視覺手性」（Visual Chirality）獲得了最佳論文提名獎。在本文中，林之秋等人首次挑戰(zhàn)了常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練中圖片”翻轉(zhuǎn)不變性“（flip－invariant）的這一假設(shè)，在多種領(lǐng)域上利用卷積神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)了許多常人難以捕捉的”視覺手性“線索，并通過自監(jiān)督訓(xùn)練在多項數(shù)據(jù)集上達到了60％甚至到90％的精度。

本文作者

林之秋，就讀于美國常春藤高校康奈爾大學(xué)。他同時選修了計算機和數(shù)學(xué)兩個專業(yè)，僅用兩年時間就全部修完本科課程。大二開始選修博士課程，同時跟隨計算機系的教授從事科研工作。由于成績極為優(yōu)異，自大二起林之秋就接受計算機系里邀請，以助教身份給高年級同學(xué)講課，為康奈爾科技學(xué)院的同學(xué)編寫碩士生的預(yù)修課程，甚至在高階機器學(xué)習課上給博士生的卷子打分。

剛剛21歲、本科畢業(yè)的林之秋，在學(xué)院數(shù)千名學(xué)生中名列前三，被授予學(xué)院最高榮譽，并受院長邀請代表學(xué)院在畢業(yè)典禮上舉旗。之后，他即將前往專業(yè)排名世界第一的卡內(nèi)基梅隆的機器人學(xué)院攻讀博士學(xué)位。

導(dǎo)讀：

鏡子的歷史與人類文明幾乎一樣長，而古今中外文學(xué)史上有關(guān)鏡子的描寫更是數(shù)不勝數(shù)。從愛麗絲鏡中奇遇記，到西游記里托塔天王的照妖鏡，再到J·K·羅琳筆下哈利波特世界里的厄里斯魔鏡，這些有關(guān)鏡子的故事都可謂是家喻戶曉。在近年來的計算機視覺領(lǐng)域，鏡像翻轉(zhuǎn)更是一種最為常用的數(shù)據(jù)增強方法。

然而，在本屆CVPR 2020中獲得Best Paper Nomination的「視覺手性」（Visual Chirality）一文中，來自康奈爾大學(xué)的研究員林之秋等人首次挑戰(zhàn)了常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練中圖片”翻轉(zhuǎn)不變性“ （flip－invariant） 的這一假設(shè)。這篇文章在多種領(lǐng)域（人臉，互聯(lián)網(wǎng)圖片，數(shù)字處理圖像）上利用卷積神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)了許多常人難以捕捉的”視覺手性“線索，并通過自監(jiān)督訓(xùn)練在多項數(shù)據(jù)集上達到了60％甚至到90％的精度。

一、簡介

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量標注數(shù)據(jù)，但數(shù)據(jù)又永遠是有限的。為了用有限的標注數(shù)據(jù)來擬合函數(shù)，人們使用數(shù)據(jù)增強（data augmentation）的方法來低成本得獲得更多的標記數(shù)據(jù)。

而鏡像翻轉(zhuǎn)則是最常用的圖像數(shù)據(jù)增強方法之一。只需要將所有圖片都進行一次鏡像翻轉(zhuǎn)，我們就相當于免費得到了雙倍的數(shù)據(jù)。

但事情真的這么簡單么？當我們翻轉(zhuǎn)了數(shù)據(jù)集里所有的圖片時，神經(jīng)網(wǎng)絡(luò)所擬合的函數(shù)還能代表原先的圖像分布么？來自康奈爾大學(xué)研究員的「視覺手性（Visual Chirality）」這篇論文首次討論了這一話題。

為了理解這一鏡像翻轉(zhuǎn)話題，我們先從一個小測試開始：

你能判斷以下三張圖片哪張被鏡像翻轉(zhuǎn)（水平翻轉(zhuǎn)）了嗎？

圖一：鏡像翻轉(zhuǎn)（線索：文字）。我們可以很容易看出來文字被翻轉(zhuǎn)過了。

圖二：沒有翻轉(zhuǎn)（線索：紐扣）。男士襯衫的紐扣一般位于身體右側(cè)。

圖三：鏡像翻轉(zhuǎn)（線索：吉他）。吉他手的主手應(yīng)當在吉他右側(cè)。

對于大部分的互聯(lián)網(wǎng)圖片來說（例如圖二圖三），鏡像翻轉(zhuǎn)對于人類而言并沒有多少區(qū)別，因而難以判斷。然而，神經(jīng)網(wǎng)絡(luò)卻可以通過自監(jiān)督訓(xùn)練的方法在這個任務(wù)上達到非常高的精度，并能指出圖片中哪些區(qū)域可以被用于識別鏡像翻轉(zhuǎn)（以上三張圖片利用了類激活映射（CAM）方法進行了高亮）。

康奈爾的研究人員將這一視覺現(xiàn)象定義為“視覺手性”（Visual Chirality）。

在化學(xué)等學(xué)科上，手性（Chirality）的定義為“一個物體無法與其鏡像相重合”。這種不對稱性在自然界大量存在，并在不同領(lǐng)域有著廣泛的應(yīng)用。

手具有手性（Chiral），因為鏡像翻轉(zhuǎn)后無法與原圖重合。而杯子是軸心對稱，所以不具備手性。

手性（Chirality）代表著單個圖片的翻轉(zhuǎn)不對稱性，而視覺手性（Visual Chirality）則是針對圖像分布（Image Distribution）所定義的翻轉(zhuǎn)不對稱性。

假設(shè)一個圖像分布中包含了右手和左手的照片（左右手的圖片出現(xiàn)概率一致），那么此時，盡管每張圖片都具有手性，這個圖像分布卻不具備視覺手性。這是由于左手鏡像翻轉(zhuǎn)后就和右手長的一樣了。反之，假設(shè)一個圖像分布中只存在右手不存在左手，那么這個分布就具備視覺手性（或稱翻轉(zhuǎn)不對稱性），因為我們知道一張左手的照片必然為鏡像翻轉(zhuǎn)。
用統(tǒng)計學(xué)的術(shù)語來定義的話，假設(shè)有圖像分布D，而其中一個圖像是x，那么其在分布中出現(xiàn)概率是D（x）。我們將鏡像翻轉(zhuǎn)的操作稱為T，而翻轉(zhuǎn)圖片x我們可以得到T（x）。

那么圖像分布D具備視覺手性意味著：D中存在圖片x，滿足D（x）≠D（T（x））的條件。

如下圖所示，假設(shè)我們有一個一維的分布（橫軸上每個點都為一個元素），那么藍色實線所代表的分布則具備視覺手性，因為x1和x2分別與T（x1）和T（x2）的出現(xiàn)概率不一致：

當一個圖像分布具備視覺手性時，使用鏡像翻轉(zhuǎn)作為數(shù)據(jù)增強方法將不可避免的改變一個數(shù)據(jù)集所代表的分布。換句話說，只有當一個圖像分布不具備視覺手性的時候，我們才能在不改變原先圖像分布的前提下，使用鏡像翻轉(zhuǎn)來增強數(shù)據(jù)集。

然而，視覺手性是大部分視覺領(lǐng)域都擁有的屬性。正如此篇文章作者，谷歌AI科學(xué)家Noah Snavely教授所說：

“在計算機視覺的研究中，我們常把這個世界視為”翻轉(zhuǎn)不變“的，鏡像翻轉(zhuǎn)因而是一個常規(guī)的數(shù)據(jù)增強方法。然而，當你翻轉(zhuǎn)圖片后，文字將被顛倒，左手變?yōu)橛沂�，而螺旋意大利面也將朝相反方向旋轉(zhuǎn)。”

為了挑戰(zhàn)了人們先前在計算機視覺中對于“翻轉(zhuǎn)不變性”的假設(shè)，「視覺手性」這篇文章通過自監(jiān)督訓(xùn)練在幾個不同視覺領(lǐng)域驗證了“視覺手性”的存在。

二、訓(xùn)練方法

「視覺手性」這篇文章利用了自監(jiān)督學(xué)習（self－supervised learning）方法來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。對于任何一個數(shù)據(jù)集，只需要將其原有的圖片標記為“無翻轉(zhuǎn)”，并將鏡像翻轉(zhuǎn)過的圖片標記為“有翻轉(zhuǎn)”，即可訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別鏡像翻轉(zhuǎn)這一二分類任務(wù)（binary classification）。同時我們可以根據(jù)神經(jīng)網(wǎng)絡(luò)在驗證集（validation set）的表現(xiàn)上來評估這一圖像分布是否具備視覺手性：如果驗證集上的精度要顯著大于50％，我們便有充足的證據(jù)來證明視覺手性的存在。

作者在這篇文章中利用了ResNet－50作為基本的網(wǎng)絡(luò)結(jié)構(gòu)，并使用SGD方法來訓(xùn)練網(wǎng)絡(luò)�；�于先前自監(jiān)督學(xué)習方法的啟發(fā)，作者將同一張圖片的原圖和翻轉(zhuǎn)圖放到了SGD的同一batch里（shared－batch training），加速了網(wǎng)絡(luò)的訓(xùn)練。

為了了解神經(jīng)網(wǎng)絡(luò)學(xué)到了哪些視覺手性線索，作者利用了類激活映射（CAM：Class Activation Map）方法，在原有圖片上對于視覺手性敏感的區(qū)域進行了高亮。同時因為能造成視覺手性的現(xiàn)象有很多，作者推出了一個簡單的基于類激活映射的聚類方法：手性特征聚類（Chiral Feature Clustering）。

三、手性特征聚類方法

類激活映射方法本質(zhì)上是對于神經(jīng)網(wǎng)絡(luò)最后一層卷積層輸出的特征圖（feature map）的加權(quán)線性和（linear weighted sum）。當我們假設(shè)神經(jīng)網(wǎng)絡(luò)是利用區(qū)域特征（local feature）來判斷圖像是否為鏡像翻轉(zhuǎn)時，我們可以將類激活映射（CAM）最強的區(qū)域視為神經(jīng)網(wǎng)絡(luò)最為關(guān)注的區(qū)域特征。只需要取最后一層卷積層輸出的特征圖上這一區(qū)域的特征，便可以利用傳統(tǒng)的聚類方法例如K－means clustering進行自動分類。

ResNet－50最后一層卷積輸出的特征圖為一個（16x16x2048）的三維矢量f，而類激活映射所得到的熱圖（heatmap）為（16x16）的二維矢量A。假設(shè)熱圖上數(shù)值最大的點為（x＊，y＊），那么我們用來聚類的區(qū)域特征即為f（x＊，y＊）。

作者在多個不同圖像分布上利用手性特征聚類方法對視覺手性現(xiàn)象進行了歸因和討論。

四、互聯(lián)網(wǎng)圖片集

在互聯(lián)網(wǎng)圖片集上（Imagenet，Instagram，F(xiàn)lickr－F100M），神經(jīng)網(wǎng)絡(luò)在鏡像翻轉(zhuǎn)識別上取得了高達60％－80％的精度。

作者著重分析了Instagram圖片上的視覺手性現(xiàn)象。在不用隨機剪裁（random cropping）時，神經(jīng)網(wǎng)絡(luò)在測試集上取得了高達92％的精度。然而因為有JPEG壓縮失真的可能性存在（JPEG edge artifact一般出現(xiàn)于圖片的邊緣），作者同樣使用隨機剪裁進行了訓(xùn)練，并仍舊取得了高達80％的精度�？紤]到大量Instagram圖片有配文字，而文字是最明顯的視覺手性現(xiàn)象，作者用文字識別器濾除了Instagram中含有文字的圖片重新進行了訓(xùn)練，但仍舊在測試集上取得了74％的高精度。值得一提的是這些訓(xùn)練出來的模型具有一定程度的泛化能力，可以不經(jīng)訓(xùn)練，在其他的互聯(lián)網(wǎng)圖片集（Flickr F100M）上取得高于50％的精度。

作者在Instagram圖片集上進行了手性特征聚類，并挑選了一系列與我們生活相關(guān)的典型視覺手性現(xiàn)象進行討論。

1、手機

對著鏡子自拍是人們最愛做的事。此類照片具有視覺手性，因為手機的攝像頭一般固定在手機背面的一側(cè)（因品牌而異），同時由于多數(shù)人是右撇子，一般都以右手持手機進行自拍。

2、吉他

幾乎大多數(shù)的吉他手都以右手撥弦，左手持把。

3、手表

手表一般都被帶在人們的右手側(cè)。

4、男士襯衫領(lǐng)子

男士襯衫的扣子一般處于右側(cè)。

5、上衣口袋

正裝上衣的口袋幾乎無一例外處于身體左側(cè)，為了更好地服務(wù)于占大多數(shù)的右撇子。

6、人臉

更令人吃驚的是，類激活映射方法在大量的人臉上出現(xiàn)了較強的反應(yīng)，說明人臉中視覺手性的存在。多數(shù)情況下人臉通常被認為是對稱的：此屆CVPR 2020另一篇Best Student Paper （Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild） 更是將人臉視為了軸心對稱的物體，并以此為線索來進行3D重建。

需要強調(diào)的一點是，這些視覺手性現(xiàn)象在每張圖片中看似孤立，但神經(jīng)網(wǎng)絡(luò)仍有可能會利用多種不同的線索來對圖片是否翻轉(zhuǎn)進行判斷。