神經形態(tài)視覺傳感器將重塑計算機視覺的新方向

編譯：麥姆斯咨詢

計算機視覺將再次重塑？

Prophesee聯合創(chuàng)始人、匹茲堡大學眼科教授、卡耐基梅隆大學機器人研究所兼職教授Ryad Bensoman認為，事實確實如此。作為基于事件的視覺技術的開創(chuàng)人之一，Bensoman預計神經形態(tài)視覺（基于事件相機的計算機視覺），將成為計算機視覺的下一個發(fā)展方向。

“計算機視覺已經經歷了多次重要革新?！彼f，“我至少見證了兩次相當于從頭開始的重塑?！?/span>

Bensoman認為首先是20世紀90年代的一次轉變，即從涉及一些攝影測量的圖像處理轉向基于幾何學的視覺方案，然后是如今向機器學習的快速轉變。盡管經歷了這些革新，但現代計算機視覺技術仍然主要基于圖像傳感器，即生成近似人眼所見圖像的可見光成像傳感器。

Bensoman認為，在這種圖像傳感模式打破之前，它實際阻礙了替代技術的創(chuàng)新。GPU等高性能處理器的開發(fā)，推遲了尋找替代解決方案的需要，從而延長了這種影響。

“為什么我們要用圖像進行計算機視覺？這是一個非常值得深究的問題?！彼f，“我們使用圖像，完全是歷史原因?！?/span>

成像相機

自公元前五世紀針孔成像技術誕生以來，成像相機就一直伴隨著我們。到了16世紀，藝術家們建造了房間大小的裝置，用于將設備外的人或風景記錄到畫布上。經過多年的發(fā)展，這些畫布逐漸被膠片所取代，以記錄圖像。隨后，數碼攝影等技術創(chuàng)新，最終使相機成為現代計算機視覺技術的基礎。

然而，Bensoman認為，基于成像相機的計算機視覺技術效率極低。他將之類比中世紀城堡的防御系統(tǒng)：利用城墻周圍的守衛(wèi)監(jiān)視四面八方接近的敵人。鼓手敲擊穩(wěn)定的節(jié)拍，每個守衛(wèi)會在每個鼓點上，大聲喊出他們所看到的情況。在眾多守衛(wèi)的呼喊聲中，明辨其中一位發(fā)現遙遠森林中的敵人并非易事。

來到21世紀，鼓聲硬件相當于電子時鐘信號，而守衛(wèi)好比每個像素——它們產生了大量數據，并且必須在每個時鐘周期捕捉信號，這意味著大量冗余的信息和大量不必要的計算。

Bensoman說道：“守衛(wèi)的監(jiān)視和匯報相當于城堡的算力。他們需要一直監(jiān)視沒有事情發(fā)生的情況，并匯報，相當于一直在搜集大量無用的信息，造成很大的帶寬。如果這座城堡還非常龐大且復雜，要捕捉到有用的信息是何其費事且困難?！?/span>

來到神經形態(tài)視覺，其基本思想受生物系統(tǒng)工作方式的啟發(fā)，即檢測動態(tài)場景中的變化，而不是連續(xù)分析整個場景。對于剛才的城堡類比，這意味著守衛(wèi)在沒有情況發(fā)生時，可以保持靜默無需持續(xù)匯報，直到他們發(fā)現敵人，然后大聲喊出他們的位置以發(fā)出警報。對于傳感器來說，這意味著可以讓單個像素決定它們是否看到相關的東西。

“像素可以自己決定應該發(fā)送什么信息，它們可以選擇捕捉有意義的‘特征’信息，而不是捕捉所有信息，這就是區(qū)別所在?！彼f。

與固定頻率的系統(tǒng)采集相比，這種基于事件的方法可以節(jié)省大量能耗，并減少延遲。

他說：“我們需要更具適應性的東西，而這正是基于事件的視覺技術可以提供的，一種自適應的采集頻率。當考量振幅變化時，如果某個物體移動得很快，我們就會得到很多樣本。如果某個物體沒有變化，那么樣本量幾乎為零。因此，這能夠根據場景的動態(tài)，調整采集頻率?！?/span>

Bensoman于2000年進入神經形態(tài)視覺領域，他堅持認為過去基于圖像的先進計算機視覺不是最好的方案。他說：“最大的轉變是，我們可以在沒有灰度和圖像的情況下進行視覺處理，這個概念的提出在2000年前后可以說是‘無稽之談’?！?/span>

Benosman提出的技術成為當今事件傳感的基礎，它是如此具有開創(chuàng)性，以至于當時提交給最重要的IEEE計算機視覺期刊的論文未經審查就被拒絕了。事實上，直到2008年開發(fā)出動態(tài)視覺傳感器（DVS），這種方案才開始獲得廣泛關注。

Prophesee的部分客戶應用展示了常規(guī)相機和DVS傳感器輸出的差異（來源：Prophesee）

神經科學的啟示

神經形態(tài)技術源自生物系統(tǒng)的啟發(fā)，包括終極計算機，大腦及其計算元素，神經元。問題是我們還沒有完全理解神經元是如何工作的。雖然我們知道神經元是對被稱為尖峰的電信號起作用，但直到最近，研究人員對神經元的表征還相當草率，認為只有尖峰的數量才重要。

這一假設持續(xù)了幾十年。最近的研究已經證明，這些尖峰的時間信息絕對關鍵，而大腦結構在這些尖峰中產生延遲來編碼信息。

如今的尖峰神經網絡模擬了大腦中的尖峰信號，是尖峰信號的一種二進制（‘0’或‘1’）表達?！笆盏揭粋€‘1’信號，喚醒，計算，然后休眠?！盉ensoman解釋道。但實際要復雜得多。當尖峰信號出現時，神經元開始對尖峰值進行積分；神經元也會有遺漏，這意味著結果是動態(tài)的。還有大約50種不同類型的神經元，具有50種不同的整合模式。當前的電子化版本缺少集成的動態(tài)路徑、神經元之間的連接以及不同的權重和延遲。

Bensoman說：“問題在于要制造一款高效的產品，由于我們還不不夠理解它，不能模仿所有的復雜性。如果我們掌握了完善的大腦理論，就可以解決它，但問題是我們理解得不夠?！?/span>

現在，Bensoman運營著一個獨特的實驗室，致力于理解大腦皮層計算背后的數學問題，旨在創(chuàng)建新的數學模型，并將其復制到硅基器件。這包括直接監(jiān)測來自真實視網膜的尖峰信號。

但是，Bensoman反對完全復制生物神經元，他認為這種方法不可取。他表示：“在硅芯片上復制神經元的想法，源自人們在晶體管中看到了類似真實神經元的機制。不過，我們無法制造并利用腦細胞，但我們有硅芯片。我們需要根據硅芯片的特性來因地制宜。如果我們知道在計算什么，利用硅芯片，我們就可以優(yōu)化這個方程式，并以最低的成本、最低的功耗、最低的延遲運行。”

數據處理能力

認識到沒有必要精確復制神經元，再加上DVS傳感器的開發(fā)，驅動了現在神經形態(tài)視覺系統(tǒng)的發(fā)展。盡管現在已經有產品上市，但要實現完全類人的視覺傳感器商業(yè)化，還有一段路要走。

最初的DVS傳感器像素“較大”，因為光電二極管周圍的組件本身大大降低了填充因子。雖然對這類相機開發(fā)的投入加速了這項技術的發(fā)展，但Bensoman明確表示，目前的事件相機仍然只是對2000年最初研究的改進。

索尼、三星和豪威最先進的DVS傳感器具有更微小的像素，采用3D堆疊等先進技術，降低了噪音。Bensoman考慮的是，目前使用的傳感器類型能否成功擴大生產規(guī)模。

他說：“問題是，一旦增加像素的數量，就會得到更大量的數據。現在，由于處理速度仍然非常快，可能仍然可以實時處理它，但太多的像素會帶來太多的相對變化?，F在，再這樣下去可能會進入死胡同，因為人們知道它的潛力，但現在還沒有合適的處理器來支持它的運行?！?/span>

通用神經形態(tài)處理器落后于對應的DVS傳感器。一些業(yè)內最大的廠商（IBM Truenorth、Intel Loihi）仍在努力開發(fā)中。Bensoman說，合適的處理器加上正確的傳感器，將成為無與倫比的組合。

Bensoman表示：“今天的DVS傳感器速度極快，帶寬超低，動態(tài)范圍大，所以可以支持室內和室外的廣泛應用。這是確定的未來，市場起飛是可以預見的?！彼€補充道：“誰能推出優(yōu)異的處理器并提供完整的堆棧，就能贏得未來的競爭，因為這必將無可匹敵！”