杭州都市網

7月，特斯聯“九章人工智能算法賦能平臺”計算機視覺基礎模型核心算法，在國際頂尖智能實驗室、中國移動研究院、日本最大移動通信運營商NNT DOCOMO，以及清華大學、武漢大學、中國科技大學、墨爾本大學等69家國際大型企業、頂尖高校及研究機構。

堅持深耕、不斷開拓人工智能最前沿算法，是特斯聯斬落豪強，載譽而歸的秘笈。本期“先鋒科技場”將首次揭秘該行業領先算法。

大勢所趨

隨著全球人工智能產業高速發展， 人工智能AI近年被抽象成多種算法應用于不同領域。AI已全面進入機器學習時代。AI未來發展將是關鍵技術與產業的深入結合——單純算法已無法滿足更細分領域及行業對AI的需求，尤其在萬物互聯的AIoT人工智能+物聯網時代，越來越多的訂制化AI需求亟需解決。

原有開發模式實際已成為新形勢下AI發展的瓶頸。當前，用戶AI訂制通常遵循“找公司-對需求-交付研究-算法產品化編碼-上線使用”流程。這往往導致研發周期長、研發成本高，難以滿足AIoT時代各行業用戶AI產品開發需求。

對此，AI開放平臺應運而生。其能集成AI算法、算力與開發工具，通過接口調用，使企業、個人或開發者高效使用平臺AI能力，實現AI產品開發及賦能。隨著大量AI廠商高速崛起，中國在技術平臺領域已逐漸擺脫對海外廠商的依賴，涌現出多家AI開放平臺。

雖然我國目前AI開放平臺發展勢頭良好，但現有平臺在用戶規模、使用場景、用戶技術基礎等多個方面，仍然受限。這些平臺均主要針對專業AI開發者設計，對AI零基礎用戶開發人工智能產品“不甚友好”。

此背景下，特斯聯核心算法研究團隊開發出普適性AI算法開放平臺——“九章AI算法賦能平臺”。它力克半監督、標簽內容以及“聯邦學習”Federated Learning等方面的核心技術難點，實現了CV計算機視覺、NLP自然語言處理、推薦預測、知識圖譜算法的自訓練。

九章平臺可針對多場景及各規模用戶（尤其可針對AI零基礎用戶），進行零代碼、低代碼自有算法孵化，顛覆已有AI研發人員開發模式，顯著降低AI研發成本及周期。

在業界備受矚目的校企合作方面，近年來各方努力已獲成效，但仍有較大提升空間。目前，企業對高校研究成果頗感興趣，需求較大;高校亦希望其研究能夠解決實際行業問題，故十分渴望行業課題導入。但是，高校研究成果進行行業落地時，往往水土不服;高校產學研課題亦往往隨著學生畢業被迫中斷，持續性堪憂。

特斯聯“九章AI算法賦能平臺“可在弱監督體系下，能夠實現平臺和訓練模型算法有效對接。使基于訓練算法模式的校企需求對接，取代“向企業提供推理算法代碼”這一傳統模式。不僅如此，該平臺可實現算法積累與深化。

本期“先鋒科技場”就將揭秘九章AI算法賦能平臺的核心技術之一——基于半監督的CV自訓練學習算法。

甄選模型

監督學習技術通過學習大量訓練樣本，構建預測模型。其中每一訓練樣本均被貼上明確標簽，顯示其真值輸出。盡管當前技術已取得巨大成功，高數據標注成本常導致諸多任務無法獲得強監督信息如“全部真值標簽”等。因此，采用半監督學習，通常是執行實際任務的更佳方案。

半監督分為三類——不完全監督、不確切監督、不準確監督。特斯聯九章AI賦能平臺致力于讓AI能力偏弱或“貧乏”用戶，也能擁有AI算法孵化服務能力。因此，弱化人工參與算法訓練尤為重要。

但不同半監督類型亦存在自身短板。不完全監督若只擁有少量被標注數據，不足以訓練出優秀模型。不確切監督僅能滿足已給定監督信息、但信息不夠精確的場景。不準確監督在監督過程中，會出現被標注數據存在錯誤監督信息的情形。三類半監督模式人工干預較大，無法形成自訓練學習算法體系，無法達到普適性AI算法開放平臺需求。

為構建基于半監督的自訓練學習算法，特斯聯核心算法研究團隊主要采用基于Transformer模型的Swin Transformer作為骨干模型，以此搭建特征學習基礎算法，進而構建自訓練體系。此外，團隊通過參加國際計算機視覺大會ICCV等國際頂尖會議，有效驗證了基于半監督的CV自訓練學習算法在實際產業應用中的貼合度，并載譽而歸。

深耕算法

特斯聯核心算法團隊針對上述三大半監督類型難題，將主動學習、半監督學習、多示例學習、帶噪學習等技術引入自訓練體系，最大限度從已知標簽樣本特征中，挖掘潛在內嵌信息，反哺至未知標簽數據，從而減少人工干預。

特斯聯以Swin Transformer為骨干模型，針對半監督，設計可學習樣本全局及局部“特征學習模塊”。

而選用Transformer為骨干網絡，則可使輸出的全局特征信息更為豐富，使“全局特征相似度學習模塊”從樣本特征中挖掘出更多信息。此外，“局部特征細粒度學習模塊”聚焦樣本局部特征，可與Transformer形成互補，統一對外提供基準骨干網絡。

特征學習模塊方面，特斯聯基于BNNeck，采用“全局+局部”模式展開研究。全局層面，通過度量學習Circle Loss + Center Loss提取全局特征。局部細粒度特征學習層面，則首先計算每一局部模型間相關性，隨后交叉融合局部模塊相關性較高的特征，輸入至各局部細粒度分類器，學習相應局部細粒度特征。如圖所示，交叉融合可分為如下四種：

接下來的重點，為構建自訓練體系。其主要分為兩個階段。第一階段——強監督訓練：利用少部分數據，對以上特征學習算法作初步強監督訓練，降低后期自訓練難度，提高自訓練性能。第二階段——標簽內容生成：通過主動學習、半監督學習、帶噪學習等技術，充分利用余下的大部分數據。

在此，將不再贅述強監督訓練。標簽內容生成工作，則會從主動學習/無監督學習、半監督學習兩個方面展開。

主動學習/無監督學習分為四個步驟。旨在通過“挖掘小部分數據，帶動大部分數據”，解決半監督下不完全監督短板。在有限的平臺資源上，令大部分未標注數據高效得到相應標簽。

半監督學習方面，通過以上無監督學習能夠獲得可靠性強，且具有標簽的Query子集和Gallery子集G。但兩者均僅有缺少局部細粒度標簽的弱標簽信息。通過半監督學習實現L、G，以及帶有局部細粒度標簽的訓練集數據T，可對特征學習模型作全量調優。隨后，在S=[L,G,T]上尋找更優局部細粒度學習器;并利用訓練集數據分布上的局部細粒度子模型，建立多個局部細粒度學習器，對未標簽樣例加注標簽。局部細粒度學習器可基于其未更新前對L、G所生成的局部細粒度標簽，以及更新后所預測的結果，計算損失值進行學習。這一方面使L、G在某種層面上，補充了T可能缺失的潛在信息;另一方面可通過學習器，幫助模型在L、G上挖掘局部特征。

多輪、細致的實驗結果證明：主動學習、半監督學習在解決半監督下的不完全監督問題中，表現穩定;多示例學習方法在不確切監督問題中表現穩定;帶噪學習方法在不精確監督問題中表現穩定。