分割在识别过程中的重要作用

昨天讨论了自己对于人脑视觉识别过程的一些猜测，后来又仔细思考，发现过于夸大了视觉注意的作用，还忽略了另一个很重要的模块——分割。 视觉注意固然可以让人更快的注意到重要目标，但单独依靠它，是不可能快速进行环境判定的。人脑的一大特点就是并行性很高，这种特性跟分割机制进行结合，保证了即便是一眨眼之间，人也能对环境有一个大致的判断。

现将自己对于分割的一些感悟记录如下：

1、分割这个过程处于整个识别过程的前段，几乎在人眼完成图像数据的接受之后，立刻就已经完成了对视野图像的大致的分割。由于人眼和人脑的特殊构造，这个分割过程完成的如此之快，以及如此完美，让人感觉似乎进入视野的图像，实现就已经分割好了一般。然后，在此基础上，人脑根据分割得到的几个大致区域进行识别。从而判断出每一个区域大致是什么物体，进而得到人眼对于环境个最初理解。

2、人脑中分割是一个并行过程。在分析人类的视觉机理时，一定要时刻牢记并行这个特性。由于我们平时所从事的工作，绝大多数都是串行的，所以很难培养并行这种观点和思维方式。人脑在接受到图像的第一时刻，就已经从图像的各个不同的区域开始，着手进行分割工作。人脑内部应该有一系列特殊的结构，专门用于分割，这种分割的机制要优于目前所有已有的分割算法。

3、为什么要分割？关于为什么要分割，一个很浅显的道理是，不同的物体之间，呈现不同的亮度、纹理、颜色的概率是很高的。将分割的结果当作的目标物体的大致位置，从经验上来讲，是比较靠谱的。可能有人要问，那万一分割错了怎么办？将一个物体分割成好几个部分了怎么办？或者是将两个物体分割成一个物体了怎么办？我的答案是，错误是允许存在的，但是错误的影响，却是可以弥补的。首先，一个物体分割成了多个物体，这并不会造成多大损失，因为人脑本身就具备局部识别的功能。其次，两个物体被分割成了一个物体，进而造成误识别，这种错误也是允许的，我们每天就在频繁的发生这种错误啊。人脑的反应速度很快，即便第一次分割识别错误了，但是很快人眼就会进行更精细的观察，这个错误很快就能得到纠正。人脑通过多次识别，通过时间上的优势，来尽量弥补了最初的错误，将总体的感知错误率降到了最低。而现在的机器视觉，明显就欠缺了这种层次性的识别过程，一次识别，也就是最终的结果，其性能当然没法跟人眼相比了。

4、对深度学习的启示。Google在训练那只猫时，所有的图像都是归一化到了统一的尺寸，然后不管三七二十一，一股脑的让它自学。当然，人家是世界上科研实力最强的地方，我这样的黄毛小儿当然不敢指手画脚。但是关于具体的训练过程，我有自己的想法。我不赞成对数据丝毫不加以处理，就送进去训练。我会在此之前，先对图像进行分割。（这里的讨论开始有点偏向监督学习了。）将一幅图像中，不同的物体进行分割，每一幅图像分割成大致几个区域，然后将分割之后的子图像重新进行归一化，再送进去训练。这样的好处是，每一个被用于训练的样例都是单一的，更利于神经网络找到同一类物体之间的共性。有机会要将这个想法付诸行动。

5、分割对检测过程的影响。google目前的具体的检测或者识别过程，估计是将一幅整的图像送进去，然后进行识别。我的观点是，一幅图像往往都是由多个区域组成的，每个区域都是一个单独的物体，或者是一个物体的一部分，干嘛不单独将某个区域送进去进行识别呢？这样是不是可以尽量降低周边其他物体，或者背景所带来的干扰？

6、分割对目标跟踪的影响。之前在做路口监控的时候，多次跟目标跟踪打交道，所用过的算法，有好有坏，经常看到的一个问题，就是漂移现象。现在再结合分割的观点一看，这种漂移现象实在是大可不必。因为车辆跟路面之间，本来就是很容易分割的。而我们的算法居然出现了漂移到路面上的情形，实在是很弱智啊。（这也跟跟踪算法没有好好设计有关，如果能够多注意历史信息，漂移应该是能够得到部分抑制的，现在有很多基于learning的跟踪方法，就注意了这个问题。）

7、人脑对图像进行分割时，默认尺寸的选择。人脑所选择的默认尺寸，估计有一个最小阈值，低于这个阈值的子块，就不再进行分割了。这个具体的尺寸，是人在长期的成长过程中，以及生物长期的进化历史中，确定下来的。因此在我们用机器视觉进行模拟的时候，也可以设定这样一个经验值，对图像的初始划分，可以依照这个经验值进行。