1、 计算机视觉中的学习：几点想法 Maria Petrou Communications and Signal Processing Group, Electrical and Electronic Engineering Department, Imperial College, London SW7 2AZ, UK 摘要：归纳的能力是学习的最重要的品质， 并且归纳总结可以通过模型识别系统了解知识的规律而不是 它的表面，一个叫知识库的东西已经被提上日程了，通过它所有的知识都能过被组织起来，一个通过使用这个知识库 和 效用理论方面的知识的翻译场景系统也被提上日程了，同时 有人认为，全部一致的标签
2、解决方案是一个人造认知体系既不可能，也不可取 。 1 引言 通常“学习 ” 这个词在现代社会有很多种解释，特别是从计算机语言来看。它已经被用来解释 很多事物，从传输数据到怎样去识别视觉结构，这些领域 最有价值 参数的定义都将 可以 得到 解释。所以，我们应该试着去理解这个世界的现象 ，就像它出现在 认知领域相关 数学方程式中的问题一样 。在下面的部分，我们首先要 从电脑视角 去了解学习 的意义，同时去探究 这个世界的两种定义 之间的可能联系 。 2 学习的主 要 特征 和认知 任务 有关的第一算法的 部分内容 已经被提上日程， 它们的主要内容主要是有关的神经网络的。 神经网络的支持者 们 经常
3、评论他们所开发的神经网络的归纳能力 。归纳是学习的主要特点之一。 事实上，我们 在 教我们的孩子 时 常常用童话故事和比喻， 通常假定他们 有能力 把它们 推广到实际情况 中去 。 为了能确保我们能够教会我们的孩子，我们时常希望把 生活中可能遇到的情况都交给他们，我想这种情形是十分可笑的。 因此我们可以肯定 推断归纳总结的能力是学习中最重要的能力。 L. Rueda, D. Mery, and J. Kittler (Eds.): CIARP 2007, LNCS 4756, pp. 1 12, 2007.c Springer-Verlag Berlin Heidelberg 2007 这意味
4、着这种利用训练样本区间 跨越特征空间的经典模型识别方法并不是这个世界认知 意识的真正的学习方法。为了能够更好的推广，这种建立在规律 上的神经网络通常在很大程度上依赖于 有 足够的训练样本才能 填充足够的 特征 空间。 神经网络的这种训练方法通常被用来去靠近与分段线性部分特征空间中的类边界。当一个未知的模式到来时，它能够和已经确定的填充空间联系起来，从而能 够 把模型出现的地方填充起来。一些旧的和一些最近刚开发的 方法是通过选择在类边界中其主要作用的模型实现的， 而不是使用高一级的归纳能力，这些方法都是一些简单可行的方法。 所以 ,神经网络和模式识别方法 并 不是 这个世界认知意识上的 学习方法
5、。 问题 在于 :是 这种被 认知科学家和心理学家 理解意义上的学习就是算法 ,还是某种超越目前掌握 的 数学形式 ?反对 学习 就是 算法 的证据 是人类 的学习能力来自于一些简单的 例子。同样相反的观点 是人类花大量的时间去学习 ,我们所见证的是一个简单的学习 是 这些新方法的应用的表现 ,比如 一些通用的规则 , 元知识 一直 慢慢 刻画在 潜意识里了。我要澄清一下 ,“ 学 习 ” 在这里 不是 指取得 一个大学学位。这的确是一个很漫长的过程 ,这是需要大约三分之一的寿命的一个人。学习这里喻指生存技能 ,操作技能在日常生活中。由 于人类 成长期在 大约 12 - 15 岁之间 ,我们可
6、以假定自然认为人类儿童 已经准备好怎样 面对生活在那个阶段。所以 ,我们可以说 ,人类 作为独立的实体生命 “ 学习 ” 他们 要 学习 的东西 要 经过 12 - 15 年 的时间 ，这将是他们生命中很长的一段时间 。所以 ,人类似乎 是一个很慢的 学习者。他们花很多时间 去了解 元知识 的规则。正是这些 被人们从数学算法的角度掌握 的 规则使 人们能够很快的掌握知识，这就是 我们经常的 见到的例子 。我们也许会 从以上的观点 得出 以下 结论 : - 归纳总结的一个重要特征是 学习 ； - 在算法学习 中 ,概括必须得到足够的训练 ,从而能够填充整个类空间部分，或者是类边界的部分地方； -
7、 我们 都 有真实的归纳命题能力 ,只有当由训练的例子学会 知识变成 如何 间接地 提取物体 的身份 而不是对象的类。如果这样的学习发生 ,完全未知的 东西 可能 会得到 正确的解释 ,即使在没有先前的例子 的情况下。 这个结论意味着我们必须教导计算机 怎样去做 ,为 的是 建造一个认知系统 ,这 是关系 ,而不是事实 。 例如 ,背字典的一种语言 ,没有教一个人的语言 。这个人必须去 学习单词之间的关系 ,以掌握这门语言。这是同意温斯顿的创新实验教 计算机 认识拱门 ，但 不给计算机所有 它可能遇到 拱 门 。他把这 个 例子和柜台拱的例子 教给它 ,教它识别组件之间的关系 ,如 “ 支持
8、” 和 “ 被 支持 ” 之间的关系 。 3 知识和元知识 至少有 50 个 学习方面的 理论的 已经被 认知科学家 写出来了 。在计算机科学中 ,我们往往会区分两种形式的学习 : 试验 式的 学习和 证明式的 学习。归纳学习也 被 计算机科学家 使用了 ,但是我们不应该 像那样去处理 ,因为它意味着学习者已经学会了逻辑法则。所以 ,归 纳学习可能被认为是已学中的应用元知识规则实验的能力 ， 学习意味着尝试 和 给出结果 ,并从中得出结论。它最简单的形式 就像 全自动的 过程一样 。全自动分割算法 ,例如 ,将工作如下 :进行分割 ,评估结果质量 ,调整参数 ,然后再试一次。直接的结论是 :实
9、验式的学习 需要反馈回路。还要求 一个 可用的标准进行系统 工作怎样的一个判断依据 。 这个 标准的 成为 独立知识或信息用于进行 信息 分段 ,是非常重要的， 否则结果将是一个预言 式的幻想而已 。在半自动系统 ,则是由人 来决定 。报告的结果则包括文学的声明类型 :“ 最好的阈值 是通过 尝试与错误 发现的 。 “ 这 种方 法是一种 非常合理的学习方式。就 像一个 受到监督式学习的雨伞 ,它对 于帮助人类学习 来说就像 一个教师。飞往完全自动化的方法是相当于假设计算机可能通过学习元知识阶段 ,需要构建规则 ,现在学习收益很快 ,利用这些 元规则 。例如 ,如果我们知道农业等行业倾向于有直
10、的边界 ,可以分辨 部分 输出捕捉到的图像 的 好与坏 ,它是 通过空气传播的传感器 捕捉到的， 根据 它 是否 产生了地区边界直。 那个 领域的知识是一个元知识是直的边界。 部分 可能操作 只使用纹理和边缘信息。边界推断何以直 ,可用于作为标准来驱动系统使用其反馈回路 ,以制定出一个更好的分割。问题于是变为 :系统 如何获得这元知识 ?早些时候 ,那一定是元知识必须要由人类的孩子 (或计算机学习者 )痛苦地缓慢 掌握通过 大量观察 农业领域 的例子 。虽然没有 发现 可以将这些元知识 移植到 人类 孩子 的大脑中的有效方法。 从 老师的大脑中 ,计算机 的 优势在这里 :更像一个 老师，就是我们 人类 ,我们 可插入 把元知识 进 入 系统 当正 在 进行 的标准算法的自我评估。从这个的论点 ,我们得出结论 : - 可能 在 出现 时 不仅 有 未注册的关系 ,而且特点 ,类对象都有。 - 在交互系统中 ,元知识 被人类老师人为地 插入到计算机学习 者大脑中 。 - 在自动化系统 , 元知识 被用来 对计算机的学习者提 供人类的老师绩效考核 的标准的形式 。 出现了 两个问题 是 :
