编辑：零夏
【新智元导读】
2017年，ImageNet ILSVRC正式宣告终结。在计算机视觉领域深耕16年的“老兵”颜水成与团队拿下最后冠军，巧合的是，5年前的PASCAL VOC收官之战，冠军也是他。有“水哥”之称的颜水成可谓计算机视觉竞赛领域名副其实的常胜将军。在本次接受新智元的专访中，他分享了自己多年来的战斗经历和实战经历。现在已担任副教授的他，对学生也有许多寄语。颜水成认为，
计算机视觉的未来属于多标签、像素级、语义级分析。
颜水成，360副总裁、人工智能研究院院长，新加坡国立大学终身教职，作为计算机视觉界的老将，今年他和他的前学生Feng Jiashi助理教授一起带领团队摘得了ImageNet Challenge收官之战的 “皇冠”，同时5年前他同样带领团队摘得了PASCAL VOC收官之战的“皇冠”。
这次专访，他将带着我们看：未来计算机视觉研究还能怎么玩？
他认为，类似于PASCAL VOC竞赛, ImageNet已经完成使命，它的单标签识别的核心问题已不再代表未来的主要发展方向，确实可以终结了。而计算机视觉的未来属于多标签、像素级、语义级分析。
他不认为Web Vision是最终取代ImageNet的数据集，他认为需要一个像素级、多标签的数据集才可能引领计算机视觉进入下一个时代。
如果像素级分类做好了，无论做任何类型图像理解和语义理解的问题都好办了。
虽然现在新的数据集有做语义级别分析或者局部关联分析的，但这些数据库存在内在的局限性。 建立一个像素级和多标签的数据集挑战非常大，他希望在合适的时间点，由大公司或NPO甚至国家出来做这样的事情。
对于摘得最后一届ImageNet皇冠的DPN模型，颜水成和他的学生们还从本质上探讨了ResNet、DenseNet和DPN之间关系。他认为虽然ResNet可以解释成是DenseNet的一个特例，而DPN也是两者思想的融合，但是由于两者是错位对接的，
DPN无法再解释成DenseNet的一种特列，而是一种新的网络结构。
对于各种图像竞赛，他的观点是：
比赛的名次本身并不重要，重要是“是否给整个society带来有价值的insight”。“雕虫小技”很容易被人遗忘，”群殴”式的模型堆砌不会被人敬佩，”暗杀”式的不公布算法细节的刷榜很难被铭记
。比赛给各种算法提供了一个相对公平的“比武场”，这是有助于技术创新的。基础模型和标准组件是两种常见的为整个society贡献Insight的方式。
对于最近火热的边缘计算，他认为
大家都希望AI最终能落地，2C的量远大于2B的量，最大的量在手机等终端设备上
。所以边缘计算是人工智能发展需求决定的一个大趋势。技术上看，目前有三种方式降低边缘计算量：
第一种是内功—就是特别好的网络结构；第二种是武器—低精度表示的方法；第三种是暗器—巧妙用低功耗的网络先确定那部分不需要计算的网络。
三种方法都是为了减少计算量以适应边缘计算，三种相辅相成。
最后他讲述了自己在计算机视觉领域的整整16年，他认为，算法更新了很多代，但是研究的很多问题本身没变
。颜水成师承计算机视觉大师Thomas S. Huang、张宏江、汤晓鸥、李子青等，本在学术界风生水起，却因为老周对智能硬件的热情而跨入工业界，经历了学术界到工业界的巨大变化。
他更懂得如何发挥学生各自特长，带出了很多优秀的学生，谁适合工业界谁又适合学术界，他都加以指引。虽然他是一个很push的老板，但也被学生亲切地称为“水哥”。
以下是颜水成采访实录，由编辑整理，有删减和调整。
ImageNet确实可以终结了，计算机视觉的未来属于多标签、像素级、语义级
“图像的竞赛还是像素级别的分类更好。如果像素级分割做好了，无论做任何类型图像理解或语义理解的问题都好办了。”
新智元
：今年之后ImageNet的ILSVRC挑战赛“退出江湖”，是不是表明分类检测任务已经取得相对完善的表现？
颜水成
：计算机视觉竞赛有很长的历史，PASCAL VOC进行了八年，ImageNet也是八年。每个比赛都承载了大家对技术发展的期望，同时大家也会逐渐发现这些数据库的局限性。
2005-2012年，PASCAL VOC非常火，但是只有二十类，2010年开始的ImageNet有一千类，于是研究者逐步转向ImageNet。
ImageNet数据库现在最大的挑战是，在分类中每一个图像中只标注了一个主要的物体，所以ImageNet主要是做单个物体的分类和定位。这不符合现实世界图像的分布特点，存在局限性，这是ImageNet结束比赛的一个重要原因。
但是ILSVRC比赛里面的物体检测这个任务，本身还没有终结，后面还会也应该继续下去。
我们需要像某些多标签的多媒体数据集那样的数据集，更符合真实图像的情况。
新智元
：多label的数据集，现在有哪些？
颜水成
：比较大的有来自新加坡国立大学的NUS-WIDE。但是label也不多，只有81个。
新智元
：ImageNet为什么是单label？
颜水成：工作量的问题，多label意味着每个图像对多个label要做校验。但是单label只需要判断yes or no。
假如是个一千个label的多标签数据集，你的校验就是一千倍，否则依然会存在错误。
新智元
：未来计算机视觉的竞赛还应该往哪方面发展呢？
颜水成
：在我个人看来，图像的竞赛还是像素级别的分类更好。如果图像分割做好了，无论做任何类型图像理解或语义理解的问题都好办了。
ImageNet去年有Scene Parsing任务，但遗憾的是今年没继续。如果将来把图像分割作为核心任务，再做任何其它任务就好办多了。
真正好的分割是全景的分割。所谓全景分割，就是对每一个像素都有一个标注。这样比ImageNet检测和分类的任务难很多，标注量也非常大。
希望在合适的时间点有大公司或NPO来做这样的事情。现在有新的数据集做语义级别分析或者局部关联分析，但这些数据库存在内在的局限性，最终还是要做像素级别。
DPN摘下最后的“皇冠”，本质是ResNet和DenseNet思想的结合
“ResNet可以解释成是DenseNet的一个特例。但是DPN还暂时无法被解释成是DenseNet的特例。原因是...”
新智元
：本届比赛中，你所在团队使用了DPN技术，这种技术除了用于像ImageNet中“图像识别”、“图像检测”和“图像分割”这三大任务，是否适合用其他任务或者应用上？
颜水成
：计算机视觉领域的基础模型至关重要，如AlexNet, NIN, GoogleNet, VGG, ResNet, 以及这次的DPN。不仅仅限于这三大任务，只要计算机视觉相关的并且用深度学习的都可受益于这些基础模型。
新智元
：论文中说ResNet是DenseNet的一个特例，而DPN结合了两种模型的思想，DPN是否也是一种DenseNet的特例呢？
颜水成
：这个问题非常有意思。ResNet可解释成是DenseNet的一个特例。但是DPN还暂时无法被解释成是DenseNet的特例。原因是，把ResNet当成DenseNet特例的时候，两者是有错位的。
ResNet的block和DenseNet的block不是对齐的，而是错位对应的。把ResNet和DenseNet融合在一起的话，它们错位了。我和CHEN Yunpeng都仔细分析过，无法把新的DPN再解释成是原来的DenseNet的结构。
其内在的合理性我们用三角形来做个类比，DenseNet可以看成等边直角三角形，ResNet是其中一个方向的特例。如果合适地拼接，可以组成另一个等边三角形，但也可能拼接成一个正方形。DPN属于后者，由于错位拼接，最后的模型不再是DenseNet。
下一个ImageNet：根本上还是需要有一个像素级标注的数据集
“涉及到语义，ground-truth往往不reliable，很多标注达不成共识，这让研究的难度增加很多。”
新智元
：ImageNet已经告别，现在涌现了 Visual Genome、Web Vision这样的结合语义和知识的图像数据集，您认为是否意味着语义和知识的理解是下一个趋势？视觉和自然语言处理是否会殊途同归？
颜水成
：首先，涉及到语义的时候，难度比ImageNet的分类任务大很多。现在做语义级别的理解，
一种是探索图像块之间的语义关联，还有一种是用一段话来描述图像
。这时候不再是一个个标签，而是词的序列组合。这个空间和图像空间两者融合在一起，其内在维度就比以前增加了很多。维度的增加，意味着训练所需要的数据量就更多。
做图像理解和语义理解的期望是不一样的。ImageNet分类的问题，是给图像一个label或者一个框，只要这一千个标签分类做的还不错，大家就可以接受。
涉及到语义层面，即使像Image Caption 这样的任务，人们都对你最后说出来这句话有着非常高的期望，人们期望这些话是有价值的，不是枯燥无意义的，例如“一个棵树旁边有一朵花”这种话对普通人来说没有太大价值。
