計算機視覺是目前AI在中國落地最順利的技術。從目前的落地進展來看，移動互聯網、安防、零售、物流、醫療、文娛、無人駕駛的商業化有待成熟。以曠視科技Face++、商湯科技、極鏈科技Video++為代表的AI頭部企業戰略，出現向平臺企業或軟硬一體化企業發展的分化趨勢，及零售等新領域快速崛起。

計算機視覺在中國AI市場組成部分占比巨大。根據中國信通院2018年2月發布的報告數據，2017年，中國人工智能市場中計算機視覺占比37%，以80億元的行業收入排名第一。

2018年信通院11月發布的《2018人工智能發展白皮書——技術篇》中以深度學習算法驅動的人工智能技術為主，數據顯示，在全球人工智能產業蓬勃發展的今天，人工智能技術以機器學習，特別是深度學習為核心，在視覺、語音、自然語言等應用領域迅速發展，已經開始滲入到各個行業。BBC預測，2020年全球人工智能市場規模約183億美元，年均增長20%。在人工智能產業應用上，從融資規模和市場結構來看，中國AI企業更集中于視覺和語音方向。

目前，深度學習幾乎成了計算機視覺領域的標配，也是當下人工智能領域最熱門的研究方向。計算機視覺的應用場景和深度學習背后的技術原理是什么呢?

深度學習背后的技術原理

機器學習

機器學習的本質其實是為了找到一個函數，讓這個函數在不同的領域會發揮不同的作用。像語音識別領域，這個函數會把一段語音識別成一段文字;圖像識別的領域，這個函數會把一個圖像映射到一個分類;下圍棋的時候根據棋局和規則進行博弈;對話，是根據當前的對話生成下一段對話。機器學習離不開學習兩個字，根據不同的學習方式，可以分為監督學習和非監督學習兩種方式。

監督學習中，算法和數據是模型的核心所在。在監督學習中最關鍵的一點是，我們對訓練的每個數據都要打上標簽，然后通過把這些訓練數據輸入到算法模型經過反復訓練以后，每經過一次訓練都會減少算法模型的預計輸出和標簽數據的差距。

通過大量的訓練，算法模型基本上穩定下來以后，我們就可以把這個模型在測試數據集上驗證模型的準確性。這就是整個監督學習的過程，監督學習目前在圖片分類上應用得比較多。

非監督學習里跟監督學習不同的地方是，非監督學習不需要為所有的訓練數據都打上標簽。非監督學習主要應用在兩個大類，第一類是做聚類分析，聚類分析是把一組看似無序的數據進行分類分組，以達到能夠更加更好理解的目的。

另外是做自動編碼器，在數據分析的時候，原始數據量往往比較大，除了包含一些冗余的數據，還會包含一些對分析結果不重要的數據。自動編碼器主要是對原始數據做降維操作，把冗余的數據去掉，提高后面數據分析的效率。

通過不同的學習方式獲取到數據后，算法是接下來非常重要的一環。算法之于計算機就像大腦對于我們人類，選擇一個好的算法也是特別重要的。

神經網絡

神經網絡是受人腦神經元結構的啟發，研究者認為人腦所有的神經元都是分層的，可以通過不同的層次學習不一樣的特征，由簡單到復雜地模擬出各種特征。

上圖是計算機應用數學的方式來模擬人腦中神經元的示意圖。a1到ak是信號的輸入，神經元會對輸入信號進行兩次變換。第一部分是線性變換，因為神經元會對自己感興趣的信號加一個權重;第二部分是非線性變換。

神經網絡就是由許多的神經元級聯而形成的，每一個神經元都經過線性變換和非線性變換，為什么會有非線性變換?從數學上看，沒有非線性變換，不管你神經網絡層次有多深都等價于一個神經元。如果沒有非線性變換，神經網絡深度的概念就沒有什么意義了。

卷積神經網絡

以上所講的都是一般的全連接神經網絡，接下來進入卷積神經網絡。卷積神經網絡是專門針對圖片處理方面的神經網絡。卷積神經網絡首先會輸入一張圖片，這張圖片有三個顏色通道的數據，這是輸入層。下面是卷積層，有一個卷積核的概念，每一個卷積核提取圖片的不同特征。

提取出來以后到池化層，就是把卷積層的數據規模縮小，減少數據的復雜度。卷積和池化連起來我們叫做一個隱層，一個卷積神經網絡會包含很多個隱層，隱層之后是全連接層，全連接層的目的是把前面經過多個卷積池化層的特征把數據平鋪開，形成特征向量，我們把特征向量輸入到分類器，對圖片進行分類。

簡單來說，卷積神經網絡更適合計算機視覺主要有兩個原因，一是參數共享，另外一個是稀疏連接。

2015年基于深度學習的計算機視覺算法在ImageNet數據庫上的識別準確率首次超過人類，同年Google在開源自己的深度學習算法。這些帶動中美兩國的科學家把計算機視覺算法運用到安防、金融、互聯網、物流、零售、醫療、文娛、制造業等不同垂直行業。但在實際的運用當中，由于數據可得性、算法成熟度、服務的容錯率等因素的影響，落地的速度開始出現分化。其中，移動互聯網、安防、醫療、無人駕駛等發展較慢。

技術發展趨勢

提高預測精度，降低數據標注成本隨著技術的不斷發展，計算機視覺能夠識別信息的種類從最初的文字信息，到人臉，人的體態識別，以及各種不同的物體。

能夠識別的精度也從最初的人1：1比對，到用于門禁系統等1：N比對，以及用在黑名單監控等場景的M：N動態監控。除了提高算法精度以外，提高數據標注的效率也是計算機視覺公司重要的課題之一。

企業發展戰略開始分化，商湯向左，曠視向右，計算機視覺技術在中國的快速落地，吸引了以曠視科技Face++、商湯科技、極鏈科技Video++為代表的以算法為核心競爭力的AI初創公司，擁有強大數據采集及軟件開發能力的互聯網公司，以及華為這樣的科技巨頭。經過一年多的發展，各個公司都已經根據自己資源的不同，戰略出現了分化。

各類公司初始時在產業環節中各有偏好，初創企業在算法與模型訓練上占優，互聯網企業則擁有天然的數據優勢，安防企業則憑借極強的工程能力加速安防項目落地。

AI頭部初創企業近年來融資動作頻繁，受到資本市場的青睞，在資金方面暫無瓶頸，然而面臨互聯網巨頭的挑戰，各大初創企業應依托已有的獨立設計算法的能力，構建平臺型解決方案，在研發能力與方案落地速度上取勝。