為什麼要研究「電腦視覺」？
「電腦視覺 (computer vision)」是研究怎麼讓機器「看」這個世界。在相機、手機、監視器、行車紀錄器等設備無所不在的今天，人類社會中的視訊資料量，前所未有地巨大。中研院資訊所特聘研究員廖弘源與團隊，教電腦懂得偵測、識別、分析這些影像訊息，進而做出判斷或行動，如此可衍生各種重要的應用，如人臉辨識、物件偵測、車輛追蹤、街景分析等。
輕按快門，相機可以快速找到人臉對焦；機場快速通關窗口，機器能在幾秒鐘之內認出你是誰；裝一台攝影機，就可以計算某段時間內有多少人車經過……「電腦視覺」加上「機器學習」技術的進步，讓我們的生活更加安全及便利。
不過，電腦可不是一開始就這麼聰明的。
教電腦看世界 特徵辨認第一課
電腦「看」世界的方式，和你我很不一樣。在我們眼中，一張圖畫裡可能有人物有風景。但在電腦「眼」中，卻只是幾萬幾億個不同顏色的小點 (其實就是像素，pixel)，以某個順序排列起來而已。
中央研究院資訊所特聘研究員廖弘源，窮畢生之力，都在教電腦怎麼「看」世界：從 0 與 1 組合成的數位世界中，找出各種「特徵」、並據此識別出特定的物件，進而判斷視訊資料的意義。
比方說，媽媽今天燙了個捲捲頭回家，爸爸可能會一時之間認不出來，但電腦依然能辨認這位捲髮女士是媽媽，因為五官並沒有改變。廖弘源和研究團隊在 2001 年發表的論文，探討此一問題，證明「五官特徵」才是電腦辨識人臉的依據，而非五官之外的髮型、衣著、首飾等，此知識讓業界的臉部辨識系統發展地更精準，也成為這領域近廿年來必讀的文獻之一。
以「識別」與「比對」為核心，電腦視覺延伸出很多用途。廖弘源和研究團隊廿多年來開發出了多項創新技術，像是人臉和車牌的辨識系統，現在已是治安保全的重要利器；而數位檔案加上「雞尾酒浮水印」，則可以防範辛苦的智慧結晶被盜用。
妙手回春 老相片老電影重獲新生
2006 年起，廖弘源接手另一項艱難任務：「數位典藏與數位學習國家型科技計畫」。面對龐大的數位典藏檔案，首要工作就是快速有效地判讀、註解、並擷取多媒體內容。多媒體資料不只圖片，還包括影片。影片等於是一秒鐘 30 張圖片串接在一起，再加上聲音，資訊量非常龐大，因此分析難度，跟簡單的圖片不可同日而語。
另外一個大難題是，許多珍貴的老膠捲，有的被蟲蛀、有的甚至發霉了，眼看就要損毀。還好，廖弘源研究團隊成功打出一記「還我漂亮拳」！一連串視訊篡改 (video inpainting) 的研究，應用在數位修補技術上，成功幫受損的照片或影片「回春」。
先要能「篡改」，才有能力「修復」。
什麼是視訊篡改？目的不是要捏造不存在的歷史、或是製造虛構的畫面，但透過「無中生有」的原理，卻可以還原已經被破壞的元素。像下圖照片所示，原本斑駁陳舊，但電腦程式可以自動擷取摺痕周邊的影像資訊，用類似「模擬」的方式，產生出原本不存在於照片上的元素，把缺損給填補起來。
要修補動態的影片更加困難，廖弘源團隊做出了領先世界的創新研究，採用一種 ISOMAP 技術，以非線性的方式降低維度，不但減少了影片資料運算所需的記憶容量，還能用空間的轉換，填補上被破壞的片段，讓動作看起來自然而連續。許多發霉的老膠捲、經典電影或相片，在這項技術之下，重獲新生。
人工智慧當道 電腦視覺技術突飛猛進
以上所有研究與技術，在 2012 年遇到了一個重大分水嶺，那就是「深度學習 (deep learning)」技術的應用。這是一種類神經網絡研究，也就是用數學模型去模擬生物中樞神經的結構和功能。
早期，這樣的研究受限於電腦運算速度，隨著電腦效能大幅提升，深度學習的成熟也一日千里。日前喧騰一時的 Google Alpha Go ，就是藉由輸入了無數的棋譜讓電腦進行深度學習，選出最可能獲勝的落子位置，逐一擊敗各國頂尖職業圍棋選手。
而在電腦視覺領域的國際盛會──大規模視覺辨識競賽 (Large Scale Visual Recognition Challenge, ILSVRC) ，主辦單位提供 1000 類超過 120 萬張的影像，讓參賽團隊設計的程式去判斷類別。 2010 年首次舉辦時，表現最佳的系統錯誤率仍高達 28% 。但來到分水嶺的 2012 年，透過深度學習技術，錯誤率大幅降低到 16% 。 2015 年更是一舉突破人類極限，錯誤率達到 3.7% (人眼辨識的極限是 5% )，正式宣告，電腦視覺比人類更精準的時代來臨。
廖弘源的研究團隊，也著力於此，開展了兩項創新的研究。第一個，是「籃球進攻戰術分析」。電視轉播的球賽，常聽球評或教練，戰術分析得頭頭是道，未來，透過深度學習，可以讓電腦直接從比賽的影片中，球員跑動的軌跡，就判讀出這一波進攻是打什麼戰術。
另一個研究則是「演唱會片段自動拼貼 (mashup)」。一場演唱會，可能有數百個粉絲，從不同角度、不同距離，拍下了不同片段，上傳到 YouTube 上。那麼，有沒有可能，讓電腦自動挑出這些片段，然後重新剪輯成高品質的完整演唱會影像呢？這項大工程有許多問題，等著廖弘源研究團隊一一克服。
他們先用深度學習技術，讓電腦分辨影像中的不同物件 (歌手、舞台、樂器、觀眾等)，接著再用另一套模式 ( Error-Weighted Deep Cross-Correlation Model, EW-Deep-CCM ) 對影片的每一個鏡頭進行分類，辨認出是遠景、中景、近景、或是特寫。然後還要比對音訊，整理出影片的正確時間順序。最後，才依照順序、分鏡邏輯、和情緒鋪陳，組合出最佳的影片。
為了「教」電腦分析這些資訊，廖弘源笑稱，自己看了無數的籃球影片，從不會打球變成了戰術大師；看了幾百場演唱會，也讓他從音痴化身成音樂總監。受訪時，廖弘源神采奕奕地談著這些研究，言談中除了自豪，更多的是一種身為「科學家」的使命感，強調無論做什麼研究，要當具有開創性的「科學家」，而不只是依循既定方法的「工程師」。
人類持續進步，電腦也是。我們過去總認為，電腦是工具，只能幫我們處理機械化的工作。但廖弘源博士兩個最新研究之中，都包含著非常複雜的深度學習運算技術，若研發成熟後，人工智慧在影片處理上的技巧，將會突飛猛進。或許，「電腦藝術家」誕生的一天，指日可待！
原文連結：人工智慧再進化，開啟電腦新「視」界 ！
延伸閱讀：
- 廖弘源的個人網頁
- 〈虛實世界的串聯者與守護者〉第二十三屆東元獎科技類，廖弘源受訪報導
- 〈我在中研院的第二個十年：多媒體研究與數位典藏〉演講
- L. F. Chen, H. Y. Mark Liao, (2001) Pattern Recognition, 34, 1393-1403.
- C. W. Su, H. Y. Mark Liao, H. R. Tyan, K. C. Fan, and L.-H Chen, (2005), IEEE Trans. Multimedia, 7, 1106-1113.
- C. S. Lu, S. K. Huang, C. J. Sze, and H. Y. Mark Liao, (2000), IEEE Trans. Multimedia, 2, 209-224.
- H. Y. Sean Lin, H. Y. Mark Liao, and J. C. Lin, (2007), IEEE Trans. Multimedia, 9, 46-57.
- C.J. Sze, H.Y. Mark Liao, and K.C. Fan, (2001), IEEE Trans. on Image Processing, 10, 296-306.
