技术地谈Google Lens

技术地谈Google Lens"/>

技术地谈Google Lens

    闲话免谈，直奔主题。

    拍花，恩达教授说，这是度秘几年前玩剩下的——确实如此，这个技术最成熟。

    技术上，先祭出深度学习分类模型，缩小种类范围，再用传统特征搜索。卷积神经做图像分类，这是当前深度学习的成熟果实。传统特征，用颜色、梯度、纹理、角点，有SIFT、SURF、HOG、LBP等等，有几十年研究历史了。一众产品都用这个套路，比如我大阿里的拍立淘、百度搜图、腾讯街景，还有无数人工智能创业公司，都挤在这条路上。

    在数据中心，需要海量的模型、特征数据，做通用搜索很难又全又精准，所以做产品会有侧重，有的看花，有的看树，有的看布，也有的专门看huang片。为了省流量，也为了给服务器减压，摄像头取帧频率要限制，几秒自动搜一帧，甚至只能手动拍一次照才搜一次。

    可能精确的返回一个结果，也可能返回多个参考结果，因为分类可能错，特征匹配也可能错。当然了，要想做得更惊艳，还要考虑算法怎样区分前景背景，怎样找出焦点物品，这样搜起来才更准。 

    扫商店门脸，最有商业价值，因为收银台里有——钱——啊。

    技术上，就是在地理位置范围——比如说1万家门店内，搜索这是哪家店的门脸。既然最有商业价值，就要看实际体验是否能打动人，不能让用户骂街。

    精确地告诉用户这是哪一家店。不能说：“哥们，这可能是麦当劳，也可能是必胜客，你要汉堡还是披萨，自己选。”

    1秒内识别，同时叠加上AR，想想蛮棒的。不能拼命转菊花，就是不出结果，所以如果再用几秒搜一帧、拍照搜一次的办法就不行了。

    省流量，最好不花流量——比如只下载一次，做离线搜索。不能疯狂联网，让运营商开心，让用户伤心。

    因为还没看到Google实际落地的产品，我们比照同类产品来看，望鼎台16年推出的Xshop.site招牌识别，99.9%识别准确率，1秒内识别率98%，每个门脸特征模型0.2K字节。标杆立这儿，如果Google不达标，也会被骂街。

    扫码联网，技术最简单。

    扫条码，自动连WIFI，好方便哦，用户很高兴。

    技术上，很古老了，这——甚至不能归入AI。蓝翔的计算机老师，这个可以作您学生的作业题目。

    再展开说说Google Translate实景翻译，最有技术挑战，估计也并入Google Lens。

    技术上，先从实景中找出文字区域，再识别和翻译，最后附着回实景中。Google几年前收购了Quest Visual的Word Lens，就是做的这个。

    先说翻译，这是深度学习最近两年的前沿之一，无论Google的循环神经，还是FB的卷积神经，翻译准确率都在飙高，机器翻译有望几年内超过人类，但是同声传译还有挑战。

    再说更难的实景文字区域检测，学术上有各种salient object detection，有的用深度学习整行文字特征，腾讯用过简单的MSER最大稳定极值区域，度秘干脆直接让用户涂抹文字区域......为什么这么多方案，因为不成熟，因为难啊。

网上不少探讨大势的人，抱怨Google I/O这届AI眼界不够高大上。但从技术角度看，强人工智能仍很遥远，规划极不确定的长远未来，只会假大空，或者无谓的杞人忧天。AI技术研究，九层之台，起于垒土；AI产品应用，更应这样随风潜入夜，润物无声。