1
| 本文作者： 李尊 | 2016-10-21 21:16 | 專題：2016中國計算機大會(CNCC 2016) |
編者注：譚鐵牛現(xiàn)為中國科學院副院長、中科院自動化所智能感知與計算研究中心主任，他是中國科學院院士、英國皇家工程院外籍院士、發(fā)展中國家科學院（TWAS）院士、巴西科學院通訊院士、中國圖像圖形學學會理事長、中國人工智能學會副理事長。主要從事圖像處理、計算機視覺和模式識別等相關(guān)領(lǐng)域的研究工作，已出版編著和專著11部，并在主要的國內(nèi)外學術(shù)期刊和國際學術(shù)會議上發(fā)表論文500多篇，獲準和申請發(fā)明專利80多項。曾任中科院自動化所所長、模式識別國家重點實驗室主任、中國計算機學會副理事長、國際模式識別協(xié)會副主席、IEEE生物識別理事會主席，曾獲得國家技術(shù)發(fā)明二等獎、國家自然科學二等獎和國家科技進步二等獎各1項。
本文根據(jù)譚鐵牛副院長今天上午在 CNCC 2016 上所做的大會特邀報告《大數(shù)據(jù)時代的模式識別》編輯整理而來，在未改變原意的基礎(chǔ)上稍作刪減。
各位老師、各位同學、各位同仁，大家上午好。因為時間有限，今天的報告會盡量簡略一點。另外考慮到大家不都是做模式識別，所以今天的報告不會講的太專業(yè)。
首先我注意到今年不管開什么會、誰組織、在哪里開，只要和人工智能掛上邊，都很火爆。大家都在提今年是人工智能的60周年，其實今年對整個計算機科學，同樣值得紀念的一年。因為
80年以前圖靈機模式誕生
70年以前計算機誕生
60年以前才有人工智能
50年以前，計算機領(lǐng)域的諾貝爾獎——圖靈獎第一次頒發(fā)
所以說今年是整個計算機科學非常值得紀念的一年。
鑒于最近大家人工智能講得比較多，所以我今天要給大家講得是一個更具體的問題，也是我本人多年從事的領(lǐng)域——大數(shù)據(jù)時代下的模式識別。
今天這個報告里我主要講四個問題。它們分別是：
模式識別的基本概念和歷史
模式識別的發(fā)展現(xiàn)狀
大數(shù)據(jù)時代的機遇與挑戰(zhàn)
值得關(guān)注的研究方向
首先是什么是模式識別？
其實很好解釋，用我自己的語言來說就是：世上萬物，不管是物質(zhì)的還是精神的，看得見還是看不見的都是一種模式。
所以對這些模式進行分析與處理，進而實現(xiàn)描述、辨識、分類、解釋，這就是一種模式識別，后面我還講提到更多的定義。
模式識別為什么重要？在此我要引用Ray Kurzwell的兩句話：
人類思維的真正力量是基于模式識別。
計算機越擅長模式識別會變得越發(fā)和人一樣。
不管是哪種定義，模式識別基本都可以分為這幾個步驟：信號獲取—預處理—特征抽取—分類器設(shè)計。
當下，與其說人工智能火，不如說是深度學習火。而深度學習之所以火的原因，是因為要提升模式識別的能力（如語音識別、圖像識別等）。
因為模式識別是作為人類的一個基本能力，同時這也是模式識別起源的一個基本動力。
跟模式最相關(guān)的兩個熱門話題，一個當然就是機器學習，另一個則是數(shù)據(jù)挖掘。
模式識別目前也不斷引進借助于很多其他學科的基礎(chǔ)理論，推動相關(guān)學科交叉快速發(fā)展。
模式識別發(fā)展簡史
我到現(xiàn)在為止，也沒查到第一次是誰、在哪里提出了模式識別。但是我知道從18世紀、19世紀開始，數(shù)學領(lǐng)域中特別是統(tǒng)計科學就涉及到了模式識別，這也為人工智能的誕生奠定了基礎(chǔ)。
模式識別的發(fā)展大概是如上圖所示這么幾個階段，從最開始一直到后來各種基礎(chǔ)領(lǐng)域出現(xiàn)，再一直到大數(shù)據(jù)時代。
模式識別發(fā)展到今天，我把它總結(jié)為幾句話。
模式的基礎(chǔ)理念不斷創(chuàng)新
從統(tǒng)計模式識別到階段模式模式識別，還有一直以來都又在研究的神經(jīng)網(wǎng)絡(luò)。大概是這么幾大類：
句法模式識別（規(guī)則學習）
統(tǒng)計模式識別（人工特征）
深度神經(jīng)網(wǎng)絡(luò)（自動歸檔）
它們相互間的結(jié)合是未來的發(fā)展方向，我一會兒也會講到這個。
模式識別應用領(lǐng)域不斷拓展
另外模式識別的應用領(lǐng)域一直在不斷拓展，因為能夠應用模式識別的地方實在太多，所以一直在不斷提升。
模式識別系統(tǒng)性能不斷提升
模式識別系統(tǒng)的性能也一直在不斷提升中，比如像ImageNet圖像識別賽上，它的結(jié)果一直在不斷提升中。
模式識別的典型成功應用
語言識別、語言合成
人臉識別
虹膜識別
模式識別的成功應用很多，在此不展開講了，稍微舉幾個例子大家參看一下。
人臉識別，但雙胞胎人臉識別解決不了。
虹膜識別，下圖展示的是在真實的煤礦場所，煤礦工人考勤場景。為什么用虹膜對他進行識別？因為指紋識別在這種場景下無法使用，人臉識別在上班之前可以，下班的時候就不行了。
另外再舉一個模式識別的例子——步態(tài)識別。為什么要特別提到步態(tài)識別這個例子呢？因為目前相對來說還有一點挑戰(zhàn)。
在你相距幾十米遠的時候，虹膜也好、人臉也好，你無法進行識別。
另外一個挑戰(zhàn)就是，他是從正面走來，還是從側(cè)面走來。最近借助于深度學習，這個部分也有了一些新的進展。
還有一個例子是智能視覺監(jiān)控，在此就不展開詳細講述了。
現(xiàn)有模式識別的局限性
盡管模式識別在很多領(lǐng)域都成功應用，但還是有巨大的挑戰(zhàn)。在此我想再引用Robert M.Haralick和Thomas G.Dletterich的兩句話：
計算機視覺（模式識別）的根本問題是一個魯棒性問題，如果不考慮魯棒性問題，計算機視覺幾乎所有問題都解決了。
現(xiàn)階段只能系統(tǒng)需要在開發(fā)環(huán)境下具有自適應性，對噪聲具有魯棒性。
核心的意思就是它的局限性受限于魯棒性和自適應性。如果這兩個問題解決了，很多問題就能迎難而解。
大數(shù)據(jù)的出現(xiàn)、深度學習的性能提升在一定程度上解決了魯棒性、自適應性的問題，但是跟人相比還有巨大的差距。
所以這個領(lǐng)域還需要我們繼續(xù)去努力學習，深度學習盡管取得很大成功，但是跟人的相比它的魯棒性、自適應性、泛化能力有很大差距。
所以，我把現(xiàn)狀概括這么幾句話：
面向特定任務的模式識別已取得突破性進展，有的性能可與人媲美。
統(tǒng)計與基于神經(jīng)網(wǎng)絡(luò)的模式識別目前占主導地位，深度學習開創(chuàng)了新局面。
通用模式識別依然任重道遠。
魯棒性、自適應性和可泛化性是一個進一步發(fā)展的三大瓶頸。
我們目前實實在在的處在大數(shù)據(jù)時代，大數(shù)據(jù)的價值不在于大數(shù)據(jù)本身，而在于它內(nèi)容的理解與識別，而這里面很多就是模式識別的問題。
所以我覺得第一個機遇，就是把大數(shù)據(jù)變成知識、變成決策能夠依據(jù)的根據(jù)。而發(fā)掘這個金庫的鑰匙就是模式識別，只有這樣才能實現(xiàn)“From Data Bonanza to Data Bonus”。
機遇2：推動理論和方法創(chuàng)新
機遇3：加速學科領(lǐng)域交叉和滲透
加速學科領(lǐng)域交叉和滲透主要分兩個方面：
以數(shù)據(jù)驅(qū)動為代表的分析方法在大數(shù)據(jù)時代具有廣泛用武之地，使得若干傳統(tǒng)學科（如神經(jīng)科學）等的研究方法也出現(xiàn)了巨大創(chuàng)新，為模式識別方法拓展到其他領(lǐng)域的方法中帶來了重要契機。
相關(guān)領(lǐng)域在大數(shù)據(jù)時代的原創(chuàng)成功也能夠?qū)δＪ阶R別理論與方法帶來影響，進而推動模式識別學科與其他學科的協(xié)同創(chuàng)新。
機遇4：引導科技發(fā)展新變革
機遇和挑戰(zhàn)同在，機遇抓不住也是挑戰(zhàn)。
挑戰(zhàn)1：復雜的大數(shù)據(jù)
挑戰(zhàn)2：計算效率和性能
挑戰(zhàn)3：大數(shù)據(jù)的語義計算與理解
語義就是人們根據(jù)自己對現(xiàn)實世界的理解而賦予信息的解釋。
挑戰(zhàn)4：大數(shù)據(jù)理解需要信息論的創(chuàng)新
還是那句話，在這些機遇和挑戰(zhàn)面前，盡管我們講機遇大于挑戰(zhàn)，但是機遇抓不住就是挑戰(zhàn)，挑戰(zhàn)解決不了，那就是機遇。
一、面向大規(guī)模多源異構(gòu)數(shù)據(jù)的魯棒特征表達
二、結(jié)構(gòu)與統(tǒng)計相結(jié)合的模式識別新理論
三、數(shù)據(jù)與知識相結(jié)合的模式識別
四、具有魯棒性和自適應性的生物啟發(fā)模式識別
五、基于跨領(lǐng)域跨模態(tài)知識遷移的模式識別
六、以互聯(lián)網(wǎng)為中心的模式識別
模式識別是人工智能的核心內(nèi)容，是大數(shù)據(jù)時代的關(guān)鍵使能技術(shù)。
大數(shù)據(jù)帶給模式識別諸多新的機遇與挑戰(zhàn)。
大數(shù)據(jù)時代的模式識別具有十分廣闊的創(chuàng)新空間與發(fā)展前景。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
