“只要让我看一眼，我就知道这是什么！”（You Only Look Once，YOLO）YOLO，是目前当红的AI对象侦测算法。中研院信息科学研究所所长廖弘源及博士后研究员王建尧，与俄罗斯学者博科夫斯基（Alexey Bochkovskiy）共同研发最新的YOLO第四版（简称YOLOv4），一举成为目前全世界最快、最高精准度的对象侦测系统，引爆全球AI技术社群，已改写对象侦测算法的发展。究竟，他们对算法动了哪些手脚？又是什么样的契机，打开这项研究？
产业出难题，学界来解题
故事是从产学合作开始。前几年，科技部提出“产学共创”机制：产业出题、学界解题，中研院合作对象义隆电子，出了一个考题给信息所：如何增进十字路口的交通分析？也就是即时侦测车流量、车速等等。当时义隆电子已在十字路口架设监视器，包括全景摄影机及单一方向枪型摄影机，接下来最需要的，就是识别车辆的对象侦测技术。
“但我们需要的不只是识别车辆”，王建尧说。马路运行中的车速度很快，对象识别必须非常即时，短时间内就能识别出车辆，并能持续关注，计算车速。换句话说，这个技术对对象的侦测必须“快、狠、准”。此外，因为图片资料不断产生，如果把资料都上传云计算，不但比较耗时，也会给云计算计算机带来太大负担，因此这个侦测技术还得做到一件事──计算量必须够小，小到可装在十字路口监视器上的小型计算器，即可完成对象侦测的任务。
要做到交渠道况的即时分析，必须有一种速度快、能精准识别，但又可应用在生活小型计算器的对象侦测技术。
YOLOv4算法就做到不可能的任务！它是目前世界最快、最精准的对象侦测算法，又能小到放在十字路口的监视器内，已实际应用于如“智慧城市交通车流解决方案计划”，即时侦测车辆、停等车列、车速等等。
对象识别的阿基里斯腱：梯度消失问题
怎么办到的？首先，王建尧着手研究著名对象侦测系统YOLOv3，“我们想找出创建对象侦测系统时，哪个步骤最关键？如果改善，效率和精确度会提升最多？”廖弘源强调：“虽然是工程问题，但我们要把科学思考带来来。”
先来认识对象侦测技术。它是卷积神经网络（Convolutional Neural Network, 简称CNN），具许多网络层，每层负责抽取某些图像特征。一个输入的图片通过层层层层层层……分析，最后找出最有可能的答案。理论上，层数越多，判断结果应该越精确。
先教计算机定义每个图片的值，再通过神经网络的层层非线性函数运算，判断图片最可能为哪个数字，信心水准比值最高者为答案。（Source：李宏毅）
训练卷积神经网络的方法是：先倒入大量已标记正确答案的学习材料（如标记好各种车辆的图片），让机器学习如何判断。每次机器判断结果与正确答案不符，就将这个信息反馈到前面网络层，调整每层参数，以期下次达到更准确的判断。
那么，哪步改善后可大幅提升表现？王建尧找到的关键是：学习的反馈过程。当卷积神经网络的网络层数愈多，在训练阶段因反馈计算方式，每回传一层就会损失一些信息，越前面的网络层学到的东西越少，称为“梯度消失问题”（vanishing gradient problem）。
为了解决梯度消失问题，前人曾经提出ResNet、DenseNet等卷积神经网络，简单来说，即是将后面资料备份后往前“跳级”传递。以ResNet为例，可想象成“含水传话”，从最后一个人往前传，愈前面的人信息愈缺失。但如果最后一层开始，每层都备份录音，再把录音跳过一层直接往前传，那么前面所有层都可接收信息，前面网络层就不会学不到东西。
上图为原始的卷积神经网络（CNN），假设只有3层，资料回传过程会逐层递减，称为梯度消失问题。下图为改良版ResNet，从最后一层开始，每层都备份，再把备份越过一层“跳级”传递，前面网络层就能接收到后面的信息。（Source：王建尧）
然而ResNet有太多重复拷贝，不但浪费计算量，且不同层的参数学习重复多余的信息，换句话说，每层能学到的东西都差不多。“是否有更好的方式，不改参数量，让机器运算变快，省下来的资源（参数）还能让机器多学一点，提高精确度？”廖弘源说。
不只最快，还要最精准
2019年年初，廖弘源与王建尧团队首先研发出局部残差网络PRNet（partial residual networks，PRNet），将信息“分流”，减少无谓计算量，使运算速度增加两倍。“一开始做出PRNet，我还是觉得效果不够好。虽然减少计算量，大幅加快计算速度，但正确率和原本相比并没有提升太多。”廖弘源自信的说：“我觉得这样没什么意思，因为我们的目标，是做出全世界最好的对象侦测技术！”
2019年11月，在PRNet的基础上，紧接着研发出跨阶段局部网络CSPNet（cross stage partial network，CSPNet），利用分割─分流─整合路径，成功做到大幅减少计算量，又增加学习多样性的目标。
从PRNet与CSPNet，一步步把对象侦测计算量降低，但学习却更多样，因此也得到更高精确度。
以上为CSPNet简化结构的一部分，三色箭头代表机器学习过程，后面资料如何反馈往前传。设计重点在于信息分流与多了过渡层（Transtion），让反馈的学习信息在分流后产生差异，提高每网络层参数的利用率，目标是让机器学到更多样东西，提高判断精确度。另一方面因资料分流的关系，有部分直接往后传，不经过分析计算，使整个计算量变少，运算速度也因此加快。（Source：王建尧）
“我们发布CSPNet之后，吸引了YOLO技术的维护者博科夫斯基（Alexey Bochkovskiy）的注意”，廖弘源说。他们很快与博科夫斯基（Alexey Bochkovskiy）展开合作，将CSPNet用于开发新一代YOLO，并于今年4月发布YOLOv4，成为目前全世界最快、最准的对象侦测技术，引爆全球AI社群。廖弘源笑说：“我们4月发布的论文，短短不到3个月，阅读次数就超过1,400次，比我以往发布的任何论文都多。”关键技术正是CSPNet。
此外，由于YOLOv4技术开源，各式各样的应用也如雨后春笋般快速出现。举例来说，YOLOv4可即时侦测人们的社交距离，或是快速判断路上行人有没有戴口罩。
计算社交距离。
YOLO v4甚至能识别并捕捉滑雪中的人，廖弘源进一步解释：“滑雪的人姿势以及运动轨迹都不断变换，甚至可能抛物线飞起，侦测难度相当高，但YOLOv4都能关注非常精准。”
捕捉滑雪运动的人。
带学生的第一要求：把科学带来来
中研院信息所所长廖弘源长期研究多媒体视频处理，从鸡尾酒浮水印到脸部数据库、数字化视频修补等，再到这次YOLOv4对象侦测技术，研究成果卓越。每项成果背后，都是廖弘源带领信息所前后届学生一起努力的成果。
想在廖弘源的实验室工作，可不是件轻松的事。他说：“做研究，不该只想着工程问题，应该本着科学家的精神，找出最具科学价值的关键下手。”许多学生一到廖弘源的实验室，必须将过去狭隘、僵化的工程解题模式打掉重练，重新以科学看待问题。例如本次YOLOv4的成功关键，即在于一开始问了个好问题，找到最值得改善的环节。
不论面对何种问题，我的第一个要求，就是把科学带来来。
尽管治学甚严，个性海派的廖弘源和学生也有也师也友的关系。他喜欢和学生一起找出好的研究议题后，一起埋首投入研究工作的热血感，也喜欢在研究遭遇瓶颈时，与学生一起“大吃一顿解忧愁”。如今学生遍布国际级知名公司与研究单位，持续发挥“廖式思考”的深刻影响力，开发更多如YOLOv4顶尖的科研成果。
虽然团队屡屡创造具商机的研究成果，但廖弘源对奖项或是申请专利等却看得很淡。“我的目的本来就不是赚钱，”廖弘源说：“我只希望我们对世界的好奇与探索，能真正转化为对人类的贡献。”
左起为义隆电子叶仪皓董事长、中研院周美吟副院长、中研院信息所廖弘源特聘研究员、中研院信息所王建尧博士后研究员、科技部前瞻司杨琇雅司长、台大人工智能研究中心陈信希主任、杜维洲首席执行官。（Source：中研院秘书处）
（本文由研之有物授权转载；首图来源：pixabay）