在 ACT Talk 第二期活动中，来自哈尔滨工业大学深圳研究院的何震宇博士带来了机器视觉技术相关的主题分享，为大家讲解了机器视觉技术从算法研究到应用领域的实践，并探讨了高校成果如何产业化这个问题。何震宇博士多年来从事人工智能、机器学习、图像处理、计算机视觉等领域的研究工作，拥有 10 余项发明专利及软件著作权，主持国家、省市级科研项目10 余项。

机器视觉的核心问题与视觉发展的历程

机器视觉的核心问题是如何描述图像，每次机器视觉的重大变革都发生在描述图像的基础上：2000 年前后，出现了局部特征描述的算法，用以判断两幅图之间是否匹配；2000-2005 年，出现视觉词袋模型；2005-2012 年，出现了对象模板 HOG，DPM，随后因为深度学习的出现，机器视觉发生了重大变革。

机器视觉发展的过程分为三个阶段：

第一个阶段：低层次的像素（图像处理），对应研究的对象是矩阵的像素点、边缘、角等低层次的图像信息。

第二个阶段：中层次的目标（图像分析），能够描述物体局部的特性，比如人脸、眼、耳朵等的结构。

第三个阶段：高层次的符号（图像理解），是对低层次和中层次信息的融合，例如描述一个人的行为。这一层与深度学习较为契合。

深度学习虽然火热，但科研还是得踏踏实实

深度学习的神经网络已有 60 多年的发展历程，近两年得到快速发展并引起业界的高度关注。何震宇认为，从学术界角度来说，不能因为深度学习的火热而急功近利，而应在理论上有所拓展，踏实的做好相关工作。

目前，何震宇博士所在的哈工大团队在深度学习的研究上已有不少成果，比如基于连通子图分析的多目标追踪（用以多人跟踪的图像识别技术）、基于多视角学习的单目跟踪、基于深度学习的单目跟踪、人脸检测等，并已经发表了大量的学习论文，积累了一定数量的专利。

·基于多视角学习的单目跟踪

· 基于深度学习的单目跟踪

高校成果产业化的过程中，企业与高校应互帮互助

何震宇表示，高校成果如何实现产业化，是多数学者无法避免的问题，高校因主要将精力花费在研究成果的不断出新、优化上，没有足够的物质条件、时间和精力考虑产业化，而企业因盈利需要会有相关的思路。两者看似能够互补但实际上存在分歧：两者不是坐在同一条板凳上，企业注重成果的及时落地、变现，另一方的高校则更多的考虑，技术应经过不断的实践与优化，才能最终转换成能够落地的产品。

何震宇博士认为，做产品涉及到技术、资金、市场等各个方面，产品失败十分的容易，成功则万般的难，只要某个环节出现一点问题就会导致失败。

何震宇博士说道，一个好的产品涵盖以下四个部分：一是核心技术；二是强大、有效率的工程团队；三是商业化，即产品能否抓住痛点，让客户为之买单；四是资本。要注意的是，资本不应急功近利，而是应该将这四者有机的结合起来，各方面做到位，才能将拼图拼好。

何震宇博士总结道，企业与高校应该是优势互补、相互推动的关系，高校有相应的技术、人才优势，企业有商业嗅觉、资金、企业工程等优势，两者如果能够相互帮助，则能够碰撞出火花。