机器视觉研究未来五年的五大挑战(ICCV 2019) by Jitendra Malik

机器视觉研究未来五年的五大挑战(ICCV 2019) by Jitendra Malik

现今计算机视觉面临的五大挑战

• 过于依赖有标签的监督学习；从监督学习 ——》半监督学习——》无监督学习，也包括最近提出的自学习。
• 静态数据集的人工智能 vs 认知，推理的人工智能；
• 无需探索的感知；
• 无需语义的感知；具有推理能力，无需探索和语义的感知是真正具有视觉智能的必备要素。
• 具体任务的解决方案 vs 可组合的模块；实现个体和一般的统一。
  
  

人生六课

• 多模式发展；人生的发展不止遵循一个模式，应向多样发展。
• 每天进步一点点；增量学习，不断进步。
• 锻炼身体；保持身体健康。
• 主动社交；维持好的人际关系。
• 发出你的声音；影响和改变这个世界。

正确的架构：观察+交互+学识会给你正视自身的机会。

机器学习在发展过程中的模型

• 无监督学习
• 课程学习（由易到难的递进学习）
• 迁移学习
• 多任务学习
• 强化学习
• 元学习
• 终身学习
• 因果推理
• …

这些都是合理的尝试，但是会遭受以下挑战：
（a）无法使用正确的数据；
（b）无法得到基础实验的验证；
（c）无法被告新认知及发展

说明

我是在爱可可-爱生活上的微博看到的

按我的理解，意译和自由发挥了下，若有失偏颇，望不吝赐教！

英语原文如下：

英语原文

Five challenges facing computer vision today

• The opium of label supervision
• Static dataset AI vs embodied AI
• Perception disconneted from action
• Perception disconneted from semantics
• Task-specific solutions vs composable modules
  
  

The Six Lessons

• Be multi-modal
• Be incremental
• Be physical
• Explore
• Be social
• Use language

I think this provides the right structure for viewing the stages of inbulit, supervised by observation, supervised by interaction, supervised by culture.

Models of this process in Machine Learning

• Unsupervised Learning
• Curriculum Learning
• Transfer Learning
• Multi-task Learning
• Reinforcement Learning
• Meta Learning
• Life-long Learning
• Causal Reasoning
• …

These are reasonable attempts but suffer from (a) not working on the right data (b) not being supported by experimental infrastructure © not being informed by finding a cognition/development