如何理解视觉数据表征工作是视觉大数据的核心？

大数据发展带动了视觉大数据的产生，视觉大数据不仅仅是大数据，其更是基于人类自身的感知认知而发展起来的。视觉大数据的特征、工作内容以及核心点，我们可能了解不多，全宇晖教授便将带着我们去详细的了解一下这个新的领域。...



数据发展带动了视觉大数据的产生，视觉大数据不仅仅是大数据，其更是基于人类自身的感知认知而发展起来的。视觉大数据的特征、工作内容以及核心点，大家可能了解不多，全宇晖教授将带大家详细的了解一下这个新领域。

数千年前，人类的科学研究主要集中在实验科学上，其表现为观察与描述自然界的现象；

近几百年，科学研究开始走上了理论科学的道路，人类不再简单地描述现实现象，而是通过提出模型与假说，试图用统一的东西，去解释某种自然现象，出现了譬如牛顿力学等科学理论；

近几十年，随着计算机能力的暴涨，计算科学应运而生。人们使用计算机模拟一些复杂的自然现象，希望通过模拟的过程，能观察到在自然界中很难捕捉到的自然现象，从而进行研究；

而近年来，除了计算机能力的暴涨，数据采集的设备成本的下降、数据采集的难度的相对降低，共同催生了一门新的科学——数据科学，而这门科学的关键就在于数据挖掘。

全宇晖教授认为，大数据的“大”，可以用“海纳百川有容乃大”来解释，即数据的体积足够大；“数”是指我们接触到的数据是量化过，或者离散过的数字；而“据”则是指这些数字不是纯粹的数字，它可以提供客观依据来进行行为决策。

这三个方面表明，在人类生活中存在着一些固定模式，而这些模式，在以往的科学研究中无法得知。因此可知，大数据的科学任务就是挖掘这些模式。模式存在很多种分类，其应用方向也就会有不同，因而大数据本身，也在催生工业界与学术界的合作，使得这一科学研究能够顺利进行下去。

全宇晖教授提出，视觉大数据的存在，首先需要满足大数据的必备条件，其次它要能够被人的视觉系统感知到。所以，现如今最主要的视觉大数据便是图像与视频。

视觉大数据的概念内涵也可以从三个方面进行解读：

视觉大数据的“大”表现在三个方面：第一，数据数量很大；第二，图像尺寸的不断增长；第三，数据通道与维度也在增长。

视觉大数据的“数”传达的内涵是，人类肉眼观察到的图像，对于计算机来说其实是一种数字矩阵。视觉大数据的“据”实则也是表明了，在人类获取到了视觉线索以后，需要进行信息抽取与内容分析，进而开始进行相关学习，最后，利用学到的规则进行理解与决策。

全宇晖教授进一步指出，视觉大数据的工作内容主要集中在三方面：分析识别、质量评估和质量提升。而在分析识别方面，全教授提出了三个工作案例，来帮助进一步了解视觉大数据的工作机理：

第一项工作案例是静态纹理图像识别。它利用的是计算机的一种基本运行能力，在开展这一工作时，研究者提供给计算机不同的纹理图像，从而得到计算机对其识别处理后的反馈结果。

第二项工作案例是动态纹理视频识别。全宇晖教授介绍到，具有特定纹理的物体，在运动时，会表现出特有的周期性运动规律，而研究者让计算机利用这些额外的信息，对不同的视频信息进行分析与分类。

第三项工作案例是物体的识别。计算机根据形状与轮廓特征，对物体进行目标识别，可以实现原有工作方法在精度上的提升。

其次，在质量评估工作方面，研究者主要是通过给予计算机一定的运行程序，使计算机能够给出符合人的认知的评价结果。

最后，质量提升工作的目标是，提出一些新的方法，来实现图像的质量提升，使得被外因干扰的图像得到最好的呈现效果。

全宇晖教授指出，视觉大数据方向的三方面工作，目前是分开进行的，但最终的蓝图是把三方面联合起来。因此，要打通这三块内容，就需要进行视觉数据表征工作，这也是视觉大数据工作的核心。全教授以猫为例，简单介绍了视觉数据表征工作的内容：即使是猫也有不同的表征，即使是同一只猫也有不同的pose，所以这就需要建立一个三维空间，来帮助系统分析识别，而不是在原图上进行操作。

视觉数据表征工作目前有两种路线：一是物理驱动，研究者会考虑一些数学模型，或者图形本身的面积等物理属性，进而利用分形等数学工具，进行数学建模与算法设计；二是数据驱动，可以依据大数据，得到较好的视觉数据表征。

视觉大数据表征过程可以分为三个框架：局部特征提取、全局特征整合和高层特征优化。

说到大数据，必须有学习的过程，但对大数据时代而言，传统学习过程太漫长，因此可以使用正交张量字典学习方法，因为其对比传统学习方法，耗时很少，并且知识量的增长速度更快。

视觉大数据工作的下一个中心，就是建立这三个框架的有机整体联动。此外，还将会引入多元多模态数据，依据视觉数据本身的尺度，进行数据分析，以及挖掘更高阶的视觉关联信息。

    关注 NewMediaLab