RACV2019观点集锦 | 未来5-10年计算机视觉发展趋势（二）

谢晓华

我感觉我们是不是忽略了一点，就是硬件发展。例如我们之前做超分辨率，做了很多，但是后来高清相机一出来，很多工作就白做了。那会不会在未来的十年范围内视觉传感器这一块会有比较大的突破，然后刚才提到的一些工作就没有必要去做了。

林宙辰

我想说一说什么样的计算体系适合做计算机视觉？现在我们都是基于冯诺依曼体系，但是人的视觉处理过程跟冯诺依曼体系有很大的差别。如果是在新型的计算平台上面，是不是很多计算机视觉的问题能更好或更高效的解决，我觉得是可以探讨的。另外一个，我赞成主动视觉和在线学习。我觉得现在的视觉系统触碰到了一点是，每个人都是from scratch，这样的话精力有限你就只能做一个非常简单的任务。我觉得将来可以做一个像wiki一样的项目，全世界都可以贡献，这样的话大家都在共同构建一个统一的系统，而且这个系统可以利用网络上的所有数据，可以自我进化（evolution）。然后这个系统大家都可以公用，这样就可以解决每个人的系统不停的从头学习的问题，因为单个人做的话只能做很小的一部分。

林倞

我想谈一谈关于benchmark或者关于AI的评价系统或者CV评价系统的好坏的基准。因为我认为我们很多的研究是受这个基准所驱动的，或者说是跟这个benchmark是相互驱动的。现在CV的趋势是融合、协同等，那么未来我们可能会需要一种新的评价体系来看CV的状况，可能不需要在一个特别的识别问题或者分割问题上达到特别高的精度，但是我们同时接入理解、分析、可解释性等，这样才能评价一个AI或者CV系统的鲁棒性，更像人一样的而不是把它归类为一个分类问题或者重建问题，我觉得这个可能是我们要很具体的去讨论和去发现的问题。

山世光

我们讨论十年后视觉可以发展到一个什么样的水平，可是我们并没有定义清楚，我们该如何从总体上度量视觉智能的进步，比如说现在视觉智能水平是60分，十年后我们可以做到80分，这个没有明确的标准。包括什么是视觉理解、图像理解，怎么定义呢？比如我们做人脸识别，很清楚，就是以某个数据库上的识别率为准。可是作为一个general的视觉我们好像没有这样的一个标准。

另外，作为一个标准的benchmark的角度来说的话，是不是人的视觉也是分两种，一种是通用的视觉，一种是专用的视觉。比如我们普通人看不懂医疗影像但专业医师就可以，但是我们都有通用的视觉的能力。这两类视觉实现的路径是一样的还是不一样的？

还有一个就是刚才提到的十年后我们可能把地球都数字化了，但是这个数字话不见得是个简单的数字化，比如是地图化的，那地图化的话对我们做视觉的有什么样的帮助呢？我觉得是不是类似于出现了一个视觉智能测试的“靶场”，我们的很多东西都可以在这个“靶场”里去测试。例如很多做自动驾驶的系统初步的训练都是用的合成的模拟数据。那么也许我们有了一个很好的关于地球的数字化模拟的时候，我们就有了一个很好的视觉的“靶场”，这个“靶场”既可以做训练也可以做测试。

此外，要不要做视觉常识？大家都在说知识，我觉得知识这个体系如果没有常识，感觉有些空中楼阁。我们做视觉先得有视觉常识，有常识才有可能有所谓的理解，我不知道是否正确，我觉得这个问题可以讨论。

陈熙霖

关于理解的评价问题，我们可以想想人是怎么做的。对于人类形成体系的知识我们确实有benchmark，确实有考题。可是对人类探索中的知识是没有考题的。大家理解的知识最后形成一个公共认可的交集，最后逐步拓展。所以，我个人认为在未来的推动理解的研究中，benchmark不能没有，但是不能唯Benchmark。如果说过去近30年中Benchmark推动了计算机视觉的发展，今天可能成为束缚了计算机视觉发展的一个因素。我经常跟学生为此争论，一些学生认为离开可评测数据集的工作就不是研究。而对真正智能的研究可能就是没有Benchmark——没有最聪明，只有更聪明。对于场景理解一类的任务而言，一个机器可能发掘出100组关系，另一个机器可能发掘出300组关系，那后者的理解能力可能就超越了前者，如果前者的关系是后者的真子集，那后者就一定具有更强的理解能力。当然更多的是两者可能具有互补性，如同人类的三人行必有我师。

第二件事情是说通用视觉与专用视觉，我的观点是对于医疗判读这类的所谓专用视觉其实远远超越了视觉本身，它不仅仅是视觉，医生的判断是在视觉现象基础上的知识/逻辑推理。

胡占义

这个观点我有点不大同意。我最近十多年一直在研究生物视觉，视觉绝不是说就是感知，视觉包含认知。仅仅视觉物体识别这个具体问题，人类就有约三分之一的大脑皮层参与。当然，某个大脑皮层区域参与视觉问题，绝不能说该皮层就是视觉皮层。大脑的大多数高级皮层，都在于加工多种感觉信息融合后的信息，进行认知决策和行为规划。所以说视觉问题，它涉及真个大脑，包括皮层和皮下组织的联合加工，绝不是完全由大脑的视觉皮层完成。视觉皮层是指主要对视觉信息进行加工的皮层，很多皮层参与视觉信息加工，但不是视觉皮层。

我先说第一个观点，人的视觉和计算机视觉是有区别的，如果说把人类视觉的脑加工机制完全解释清楚，我觉得和搞清楚宇宙起源的难度没有区别，我研究了差不多十五六年生物视觉，据我所知，神经科学领域目前对视觉V1区研究的比较清楚，V2区已不太清楚，更不用后面的V4和IT区,以及前额叶（PFC）等高级皮层。视觉问题处理基本涉及到大脑皮层的各个区域。所以说研究计算机视觉我觉得我们要弄清楚到底什么是计算机视觉，什么是计算机视觉的核心科学问题，我们不能够把什么东西都往上加。我觉得我们要好好讨论讨论，五到十年内我们到底主要是研究视觉感知还是视觉认知？如果研究视觉认知那是一万年的事。我目前不怎么研究计算机视觉了，我主要关注生物视觉了，也许我说的不对，但我觉得大家还是聚焦一些，目标可实现一些。

我们讨论五到十年的计算机视觉研究方向，不是指具体的算法，我们十年前也不知道深度学习能达到今天这样的一个高度，我们要讨论到底哪些方向是值得研究的，我自己觉得有三个需要关注的方向：1.基于神经生理的计算机视觉，估计在五到十年以内是一个重大方向；2.视频理解；3.涉及中国特色的全球战略相关的视觉研究：如卫星数据理解（全球战略），深海水下视觉信息处理（深海战略）。

纪荣嵘

我自己觉得我从博士毕业到现在大概10年的时间，我认为计算机视觉是远远超过了我当时读书时的任何方向，比如说自然语言理解，信息检索等等。我觉得一个重要的原因是深度学习带来的收获。但另一个方面，我们的这些系统太大太厚重，有没有可能把这个系统做的小一些，做的开销更小一些，这里面有几个维度。大家能马上想到的维度就是把系统做小，做小就可以把它放到端上，放到嵌入式设备上。第二个就是把系统做快，现在自动驾驶或者端上的设备的计算，有可能需要系统处理数据要远远快于实时。

第三点，现在我们很多时候都是在做单点的系统，每个摄像机执行的功能都是一个完整的闭环，花了很多的计算代价做了很多重复的事情，未来的视觉系统有没有可能由点到面进行大范围系统之间的协同。就是说有没有可能由专到广的，为什么是由专到广，现在每个模型只能解决一个任务，为了解决目标识别用的是目标识别的模型，为了解决语义分割用的是语义分割的模型，为了解决人脸而用人脸的模型，我觉得我们的人脑并没有分得那么清楚。one by one或者 1 v 1的我个人感觉太消耗资源了，有没有可能有一种更灵活的机制，网络结构可以由不同的形式组合在一起，比如说一套模型的backbone，它往上的话既可以做识别又可以做分割还可以检索，还可以做相关的理解。这样的话就可以把整个计算量给降下来。我相信人类进化到现在这个阶段，我们用我们的大脑实现了多任务的，高效能的，并行而且只占用极小的存储开销，我们每天只用吃三碗米饭，我们能完成这个计算机系统消耗多少的计算量来完成的事情。

第四个观点，我觉得我们的系统现在“吃”数据“吃”的太厉害。我觉得我们人类自身真的没有用到这么多的数据进行学习，我们用了大量的数据复用，比如说我识别消防车，只需要在车子上加一些特殊的部件，我就能识别消防车，我们人是很智能的。但是我们现在的计算机系统太吃这些硬性的资源，所以我觉得在计算资源的消耗上和训练数据消耗上我们也应该探索更多的机制。

然后，从我自己的感受来说，过去的时间我们看到世界往前发展，我特别希望未来的五到十年里面，计算机视觉的发展是由我们中国的学者去引领的，因为我们现在有巨量的市场，这个市场有我们能马上可以看到的技术痛点，这痛点就在我们身边，应该是我们来做，而不是让外国人来做我们的痛点，我们应该去引领它，所以我觉得未来的五到十年有很多是我们这些中国计算机视觉的学者应该去做的事情。

林宙辰

在手机上要越做越小，我觉得这不是正确的方向。将来的视觉系统应该越做越大，不是越做越小。所有的运算通过5G放在云上面运算是未来的一个趋势。我们大家都在云端上建立一个大系统，这样的话能够解决多样性的问题。因为要用一个小系统来解决各种各样的问题，我觉得这个概率上讲是不可能的，就是要建立一个跟人脑一样复杂的一个系统，它才能够解决各式各样的问题，这个系统肯定只能放在云上面，手机端愿意多算就多，少算就少算，不要把所有的计算都挤到一个小的手机上面来。

纪荣嵘

我觉得不一定完全正确。我觉得端上可以做一些轻量级的计算，云上做更重量的计算。而且端上的计算可以使数据的传输由重量级变轻量级。比如说原来传图像，现在可以只传特征，原来要传所有的区域，现在只要传特定的区域。因为手机只用作摄像设备感觉太浪费了，手机其实是一个很好的计算设备。

林宙辰

我们并不矛盾。我是说想在手机上解决所有的问题这一点我是反对的。一开始你说要在手机上做小网络这个东西，肯定是越小功能越差。

胡占义

对于这个问题我提个建议，5G对我们计算机视觉影响有多大，其实就是小终端和大终端的问题。如果5G网络很快，终端干脆就可以很小，不需要在这里处理，直接放到云上。我觉得5G对计算机视觉的影响确实要好好理解。

王亦洲

你俩说的没有矛盾，在专业任务上一定要压缩。处理是与任务相关的，只要满足任务的需求就行。视觉是一个ill-defined problem。什么是视觉这个概念太大了，但如果局限到图像，又太小了。所以怎么去把握它呢？我们丢这个阵地，就丢在了问题的复杂度上面。现在已经被深度学习占领了，我们再漂亮的理论、性能都不行。 然后我们丢在哪儿了呢？视觉问题是不是深度学习就解决了？视觉并不仅仅是一个学习问题，刚才说视觉可以很大，它可以是个认知的问题，top-down、bottom-up、然后各种任务,我们定义的视觉问题的复杂度不够，系统的复杂度也不够。所以我们要把系统的复杂度给加上去，把任务的复杂度也加上去，但是在每个具体的专项的任务上面, 我们要尽量让它简洁（compact）, 让它适合于任务（fit for task）就够, 所以怎么去拿回这个阵地，我觉得要在这两方面，复杂度上面加大，然后才能够有可能把这个视觉的东西给拿回来。但视觉其实不单单是视觉问题，应该是视觉主导的任务完成的一个问题。所以，以后CVPR它有没有存在的意义，或者说是不是还是那个趋之若鹜的东西都不一定。

山世光

我们值得讨论的问题是，怎么撇清计算机视觉与机器学习的关系？我们在未来几年是不是就认怂了，是不是计算机视觉的问题就是机器学习的问题。这个我觉得我们年轻人还是特别困惑，比如说有什么问题是机器学习肯定搞不定，只能靠计算机视觉理论和方法来去搞定的呢？ 

陈熙霖

是现在很多东西都被划到机器学习了。可以对比一下30年前机器学习的书和30年前模式识别的书，再拿今天机器学习和模式识别的书，看差别就行。

胡占义

我觉得机器学习这个东西，是一种手段，它可以用于计算机视觉，也可以用于自然语言处理。模式识别和数学没有区别，我比较理想，我觉得一个是一种解释手段，一个是说要解决什么科学问题。

王井东

接着刚才山老师提到这个问题。现在计算机视觉这么火，有多少是机器学习能做出来的东西。像alexnet也是做视觉问题，其实根本没必要担心。我自己也做过机器学习，可以举个例子，早先做过加速、大规模等，在Matlab上面做，这怎么能证明这是个大规模的问题，所以说同样根本不用担心这个问题。

刚才讨论到一个问题，就是说计算机视觉5到10年怎么走。现在遇到一个状况，不管是中国还是美国，今年年视觉方向的工作机会（opening）特别少，从2012起视觉火了8年，应该怎么继续走。计算机行业外的人给予CV很高的期望，比如超越人类。其实这件事情不靠谱，根本没有超越人类。但是不做计算机视觉的人总觉得计算机视觉的人应该做些什么东西。但是现在到这个阶段，也许这跟当年神经网络一样，像过街老鼠一样，说计算机视觉的人吹牛皮。其实不是我们吹得，是别人吹的。我们要思考，我们视觉如果继续往前走，科学研究方面是一个问题，另一方面是如何去得到持续关注真正做一些能够work的系统出来。尽管我们今天已经在很多方面做得不错，但坦白来讲还没真正work。计算机视觉是不是应该纯粹从视觉的角度解决，其实多模态是一个很好的方向，单单靠视觉这一点，在监控系统里面还是很大的一个问题。从方向上来讲我比较看好多模态这个方向。

王涛

关于未来计算机视觉发展的趋势很多。我感觉一个最重要的趋势应该是主动视觉。Imagenet竞赛能识别很多的物体，但是图像分类真正在实际场景中就不管用。真正管用的是基于物体检测，然后再进行识别的像人脸识别这种技术。为什么人脸识别成功了，图像分类系统还不成熟。输入一张图像，你必须得按不同的区域不同的粒度进行分析，比如在会场我们拍张照片，识别人，那我们去数人头。但是如果要识别投影仪设备，必须定位到这个投影仪图像才能找到。第二个问题是投影仪的信息有多种层次，比如说有人想知道牌子，那你必须再细看到那个Logo，但是另外有人想知道怎么操作这个投影仪，那你必须得识别它的各种接口，你才能把它的功能识别出来。我感觉最近的Imagenet和ActivityNet行为识别竞赛，大家现在做的这两类竞赛都是用图像分类的竞赛做。用图像分类做竞赛，实际中都不能用，为什么呢？它没有像人一样主动去识别，你得看到这个人，看到那个人真正发生动作的那一帧，这才能把它识别出来，所以我感觉主动是非常重要的。

第二个，要有层次。层次就是不仅要识别出一些基本的要素，还要把里面的不同层次关系能够结构化的提取出来。我们实验发现把东西拿在一起学的效果会很差，但是如果把这个东西分成两个部分，先固定解码器学编码器，然后再固定编码器学解码器，系统就学出来了。我们的学习得有一些像搭积木一样的层次，先把基本的比如人脸、水杯、花识别出来，然后拍一张照片能把物体之间的关系给识别出来。

第三个，应该怎么研究。视觉研究很广，想要做成功，得针对具体的应用。人脸识别系统很成熟，但是用在自动驾驶上识别行人就不行，得一类一类来，在不同应用场景中，需要看到不同的数据和不同的性质。所以我认为针对具体应用，未来除了在深度学习基础上主动视觉，发挥层次融合推理应该是一个比较好的趋势。

胡占义

我觉得主动视觉很重要，但5-10年主动视觉不可能取得巨大进展。这涉及到生物里面反馈（feedback）的高层知识，但反馈很难短期内取得进展。关于视觉的目的1994年CVGIP组织了一个专刊，曾经有过一个辩论。从1994年到现在，可以说主动视觉没有任何的进展。在生物神经系统里面有大量的反馈，但不知道反馈是什么东西。如果神经科学很难给出一点启示的话，那么我们计算机视觉就很难把它做成。这是我的一点个人观点。

王涛

我觉得以前主动视觉不成功是因为研究方法不对和技术限制。

胡占义

Recurrent有两个，一个是同层的抑制，一个是高层的反馈，而高层的反馈在生物视觉里面大家知道有大量的反馈，但是反馈的是什么东西还不清楚。所以说根据我的理解，我觉得3-5年内生物视觉很难有较大进展。

王亦洲

我补充一下，回到学习上，学习是视觉的核心。视觉其实是个伪问题，但学习是一个永恒的本质问题。没有学习，视觉存不存在都不太重要了。与其叫计算机视觉还不如叫computational visual intelligence. 视觉是一种智能，智能的核心是学习怎么去获得知识，反馈只是学习和推理的一个环节。学习是什么？是简单的模式识别，还是高级学习，这可能是学习下一步应该走的，给学习起一个俗的名字叫元学习，如果要和计算机视觉对应，我们叫元认知。核心就是学习，不搞学习是不行的。

杨睿刚

我觉得机器视觉与生物视觉应该有区别，不一定机器视觉要学习生物视觉。举个例子，比如说看全局我要大照片，然后看局部我要小照片，但是如果你有一个摄像头，可以一下子拍10亿像素，或者有一个摄像装置能把光场记录下来，那active learning与passive learning就没有区别了。这种硬件区别至少在二维图像上，将来我觉得十亿像素应该是很快到来的事情。

陈熙霖

这个地方我补充一句，这里的主动不仅指分辨率，其本质是通过主动的“行为”进行探索，从而达到有限资源的最大化利用。

杨睿刚

你说的是一种主动感知的explore，还有一种不改变环境不改变物体的。

陈熙霖

即使是不做改变，比如从一个角度看和从另一个角度看，光场相机并不解决这类问题，我们无法获得对象背后的光场。

杨睿刚

光场相机阵列。

林宙辰

杨睿刚的意思是说干脆把所有的信息都采集了，这个机制还是有点不一样。

王亦洲

主动学习有一个停机问题，有一个选择的问题。就是说，你所有信息都在这儿，你什么时候停下来，你决定采哪一块，这是最重要的。所以主动学习，它并不是你把所有东西都拍上去，你也得要选择。

杨睿刚

选择的问题肯定要在里面，但是现在做主动学习肯定涉及到机器人等问题，超出了计算机视觉的范畴。

王亦洲

所以就不要抱着计算机视觉了，这个就是我的意思。

胡占义

主动学习这里面有两个概念。第一个是要有探索和注视，否则的话就没有主动性。第二个是记忆，主动视觉是从生物来的概念。在计算机视觉里面，主动视觉这个概念太大了。

查红彬

我想这里可以将主动视觉与深度学习进行对比。深度学习的问题在于要有标注数据库，需要事先整理好的数据。而视觉系统在实际场景中工作时，需要自己选择对自己有用的样本。这样，将样本选择与视点选择，结构重构，计算优化等策略结合起来，就能有效地发挥其主动性，而不需要让人把所有的数据都收集好喂给它。

郑伟诗

学习对视觉很重要。Benchmark推动也束缚了目前计算机视觉的发展，ReID做到97%，大家就想不到该做什么，但问题本身并没解决。数据库太有限，采集的东西没有完全反映整个问题，比如说行人的遮挡问题，各种各样的问题。在有限数据的时候，学习可能不能完完全全地解决它。有限数据下的学习，有没有可能受到3D方面的启发？把一个人整个3D的信息，还有行人整个行为的3D信息都能捕捉到的话，我们就可以去掉开放环境下所受到的这些影响，然后我们就可以重构。像我们可以构造一个靶场，这个靶场很重要，无论我们做任何的系统都要做测试，但如果只在有限数据上或片面的数据上做测试的话，我们在真实应用的时候可能就会有受限。因此如果我们能够把3D这种因素嵌入到现在以2D图像为主导的计算机视觉里面的话，可能会对我们整个计算机视觉在未来3到5年的发展能有另外一个维度的推动作用。

那么为什么做3D？另外一件事情就是现在可能在全世界都在谈的数据隐私问题。数据采集的隐私问题越来越重要，如果你用的是一个虚拟的靶场的话，这种隐私问题就完全不存在。所以，在未来包括可能在国外人脸识别、行人识别，甚至一些行为识别都有可能会受到严重的法律因素的滞后的影响的话，那么我们更需要从3D的角度，从另外一个维度去考虑，是不是在这方面可以拓宽计算机视觉的发展方向，这是我的观点。 

贾云得

我们做视觉很早了，早先把它作为一条小河，我们流那么多年，突然下大暴雨，现在是洪水猛兽（深度学习）来了。五年以后估计这个模式都过去了。我觉得那条河还会在。因为，从视网膜到视皮层这条通路在那摆着呢，非常高效。因此，还会有好多人研究，五年十年以后我们中国实验室做什么？肯定还是小河里面。

我看好两个方向。第一个是三维视觉，三维视觉不会很热，也不会很冷，会一直往下走。第二，就是胡老师说的视频理解。这个好几个老师也说了，多模态，就像我们看电影也是一样的，看会儿画面看字幕，看会儿字幕看画面，来回互相理解，现在好像挺热的。原来我们遇到的是数据-语义的鸿沟。后面我们在识别结果和意识间的鸿沟也会出现，一旦有鸿沟就变成热点，因为里边主观加的东西太多了。我觉得视频理解应该是一个热点。

鲁继文

我觉得我们现在用了很多机器学习的知识。下一步，我自己更愿意做一些特别的工作，就是从机器学习到机器推理。比如给你一幅图像，你一看就知道这个图像未来应该怎么样发展，但对于计算机再强的网络都不行。我觉得现在计算机视觉里面很多时候性能之所以好，是在于我们对这个问题的定义，在这种定义基础上已经基本上可以解决。现在我们可能要再去找一些更能够描述或者更能够匹配人类视觉能力的计算机视觉任务。现在比如说检测、分割、检索、识别，都是单独的视觉任务，这种单纯的视觉任务还是有点简单。当然有的老师可能有不同的观点，就是说他们的变化这种东西可能比较难。但实际上人的视觉更多的时候可能不是这样子的。所以，我觉得在计算机视觉里面一个很重要的问题是怎么样找到这样的任务，能够更好的与我们人类的视觉任务匹配起来，这样的任务既不能太难也不能太简单。这样的任务我觉得还需要我们多花时间去思考讨论，我自己也不知道是什么任务。

王亮

未来5到10年的CV发展趋势这个主题的主要目的是希望听听我们国内视觉界专家们的新见解。今天听了各位讲了很多，方方面面都有。如果说个趋势的话，每一个方面可能都会有一定的趋势，但大家的意见有不相同，也有相同的地方。这个主题的定位是希望通过这次的深度研讨梳理几个视觉领域中最重要的大家都认可的这样一个发展趋势，有不同的意见没有关系，而且这个讨论也是有交叉的。

查红彬

这种讨论我觉得挺好。讲一些发展趋势，然后大家能够有一些思想上的碰撞和火花。做视觉研究，大家在发展趋势上，如果有完全一样的看法会很奇怪。要整理出比较明确的发展趋势也很难。为什么呢? 谁要想做出很好的工作，他就应该有一些与别人不一样的看法，如果大家都是同样的看法，这事情就很难往下做。所以我觉得，我们更多的是通过交流各自的想法，启发我们自己能有一些新的思路，或者在我自己的这些想法上能找到一些更多的理由、依据，然后把这个事情做下去。所以我想通过这些讨论，更多的是咱们能不能将来在国际会议上，在研究成果方面，我们也有自己的一些特色在里边。到目前为止，我们写文章是在拼什么？就拼数据库测试上性能提高了百分之几，而且大多数是在别人方法上改进一下，然后做个实验说我提高了百分之多少。但是我们很少有说你的想法跟别人在什么地方不一样，然后你这个不一样的东西在某个地方用起来会有一些效果。一开始你可能效果会比较差，而且你也不容易轻松地打动别人，但是在你的带领之下很多人都会来做这个事情的时候就不一样了。所以我想说，能不能将来不是只盯着这个数据库上的数据去拼，而是有更多的比较好的创意出来。

山世光

是不是可以倡议建立一个只评价idea、方法原理，不评价在benchmark或者数据库上的好坏的审稿机制？

陈熙霖

胡老师刚才提到的1994年CVGIP组织的一个专刊中，当年提出了三个需要改进的方面，今天真正实现的只有一件——就是benchmark。那场讨论中说我们这个领域里的工作缺乏比较，自说自话，之后就产生了各种各样比较的数据集。所以我刚才有一句话，在过去近30年中Benchmark推动了计算机视觉研究的进步，就是指的那场讨论开始的。

查红彬

我同意你的观点。现在回过头来看看，计算机视觉研究了这么多年，也许就是在那些文章出来之后，我们再没有看到什么新的主意、新的理论出来了。在那之前百家齐放，好像有很多新的说法出来。在那个benchmark出来之后大家都在做同样的事情，最后整个领域就变得不怎么活跃了。

胡占义

我们既然研究计算机视觉，我建议大家读一读Marr的书。

卢湖川

刚才说到的benchmark，我觉得至少计算机视觉这个benchmark的存在，使得计算机视觉有别于纯粹的机器学习，而且特别是起到了该有的历史作用。现在大家对它的诟病最主要的原因就是它还是一个单一的benchmark。那只能说这个benchmark并不像人一样，那如果有人再去定一个更复杂的benchmark，它是多维的，也许这个benchmark就能够驱动下一个时代的发展，也许就能够完成像人一样的学习或者识别等等。我觉得benchmark本身并没有太大问题，因为人从小受教育的时候就是教他这是什么那是什么，只是人是一个综合的智能体。现在的benchmark如果再往更高的维度发展，也许能够有更好的收获。

杨睿刚

现在的benchmark太多了，哪些benchmark重要，哪些benchmark不重要，还有随之而来的各种各样的比赛，哪些是重要的，哪些不重要。在某种意义上是不是也跟大家说，我又拿了个世界第一，但可能这个世界第一里面只有十个人参加。那有没有一种方法可以有这样的一个更加好的量化机制，可以给benchmark一个benchmark。

王井东

Benchmark现在有个很大的问题是很多人做不了。Imagenet很多人做不了，那做不了从我们研究人员的角度来讲，就是文章可能出不去，这是一个可能不好的地方。 但从另外一个角度来讲benchmark挺重要的。视觉的任务目的很多，我们做视觉还有一个重要目的就是培养学生，那至于视觉培养学生这个功能可能是区别于其他的，比如Multimedia。Multimedia从培养学生的角度上我觉得是很好的。但它有个很大的缺点，是没有benchmark。从这个角度来讲benchmark还是需要的。只是现在审稿人对数据集的规模期望更大了，这对很多人来讲尤其是学校里面是很有挑战的，现在可能就少数几个公司比较强。这是我对benchmark的观点。

王亦洲

建议PRCV单开一个track，鼓励创新性。单开一个不看性能的track。

文章转载自公众号： CCF计算机视觉专委会

如涉及侵权，请联系删除。