電腦如何看懂一張圖？CNN 基礎與概念

ML、DL與CNN(類神經網路)等AI技術的基本特徵，對於一般人來說，就是數學的抽象程度讓人望而生畏！當你好不容易上了很多課，終於摸索到一點頭緒，也開始可以操作它們做一些事情時，就很容易自信爆棚而飄飄然自以為高人一等，我是AI專家了嘛！但是我奉勸這些人等到真的做出AI產品之後再得意，因為通過這個技術門檻的人絕大部分最後都毫無建樹，空歡喜一場。

事實上正因為這些方法在數學理解上的困難，讓多數人都肅然起敬，拋棄了自己的常識與直覺，很容易就被誤導，忽略了這些方法論基本上存在的大問題，所以玩到走火入魔之後，還是無法解決大部分需要高度精確的影像辨識問題！這些技術當然不是沒有用處，但是對於需要高辨識率的應用，其實是理論上就做不到的！選用CNN表示你已經放棄辨識率高於九成的可能性！

我們是使用傳統影像辨識技術執業中的公司，在完全沒有使用這些AI技術時，已經是經營成功的公司，從車牌辨識到閱卷辨識到瓦斯表辨識，做任何產品或專案都無往不利！這些產品的辨識率都是95%起跳，通常是高於98%的！但是當全世界都說那些AI技術很好時，我們當然不會像義和團一樣，相信自己有神功護體？我們一直都很認真關注學習與理解那些AI技術的！

詭異的是：好多年過去了！這些山雨欲來的挑戰對手始終是「只聞樓梯響，不見人下來？」我們沒有感受到這些AI技術的實質挑戰？我們做的影像辨識始終還是優於使用那些所謂AI技術的公司？一開始我們真的非常疑惑？但是真的認識CNN之後我們就越來越放心了！他們沒「跟上來」是很合理的結果！而且應該永遠都不會跟上的！因為我們也開始截長補短，善用CNN等技術的少數優勢融入我們主要使用的OCR技術了！

如上CNN介紹文章與影片所述，CNN影像辨識的第一步就是用原始影像經過矩陣的卷機運算得到Feature map，大家看出問題了嗎？好聽的說法是「抽取特徵」，但實際上也是「簡化影像」就是一開始就自己揮棄了最高精確度的原始資料細節！一次簡化還不夠，還很多層的一再簡化(Pooling)咧！自宮還不夠，連頭髮體毛都要剃得乾乾淨淨嗎？

所以如果你希望辨識的目標就是細到只有幾個畫素寬的文字筆畫，如街景中的車牌呢？第一次Convolution就已經把目標洗掉了！還玩甚麼？先把原圖的高解析資訊簡化、抽象化、特徵化或許有助於在叢林中找到兔子，但是對於精確辨識兔子的五官特徵，想藉此辨識兔子的種類呢？當然就不可能了！上圖不是越Pooling越模糊了嗎？根據已經失真的影像繼續做下去，會出現奇蹟嗎？

最新的CNN如YOLO強調他們只需要掃描影像一次就得到需要的資訊，但那只是定位目標大概在哪裡？如果要做精確辨識就必須回到原始資訊再做局部的「傳統」影像辨識了！就是不能用任何矩陣卷積，必須乖乖使用OCR的技術流程的意思！所以這麼複雜的CNN卻只能作影像辨識的半套流程？後半段的精確明確辨識是無法直接用CNN做到的！那不是純心整人嗎？

那如果我完全使用OCR就可以連目標定位都做到呢？我就根本不需要CNN了！我們公司的技術內涵基本上就是這樣的！簡單說：CNN的卷積運算就是先「揮劍自宮」降低影像的解析度，這就讓精確的辨識變成不可能了！已經不存在的資訊可以用後面程序的複雜數學模式再變出來嗎？你去問上帝吧！

所以你覺得CNN這樣揮劍自宮之後還可以「練成神功」嗎？或許吧？但顯然很難，所以在我的公司做的諸多影像辨識工作中，那些CNN團隊始終還是看不到我的車尾燈的！希望他們繼續慢慢走，我就不送不陪了！