金連文：這個問題要一分為二來看：一方面來講的話,，發(fā)文章是我們研究成果最主要的體現(xiàn),，通過發(fā)文章這個形式，能夠把知識傳承下去,，分享給全社會，因此這件事本身沒有錯,。

但是現(xiàn)在有一個比較不太好的“唯論文”導向：以發(fā)權威期刊、頂級會議論文來作為評價研究水平及能力的唯一標準,，比如很多公司招人的時候，如果有一篇頂會文章,，可能工資待遇就不一樣，我覺得這就不是一個特別好的導向。

在10多年以前,，除非是大型或者研發(fā)型公司或機構,，一般來說本科生畢業(yè)時發(fā)文章與找工作沒有特別直接關系，但在人工智能的浪潮來臨后,，許多人工智能公司往往以發(fā)文章作為公司的估值的一個重要依據(jù),。在大學里同學們也認為發(fā)文章變得特別重要,，沒有一篇頂會牛刊文章,，似乎就找不到特別好工作,。國內(nèi)有些好學校的學生,，甚至可能大二大三就開始發(fā)頂會牛刊論文了,。

雖然說這樣看來我們做研究跟培養(yǎng)人才結(jié)合更緊密了，學生們不再排斥做研究寫paper,，也喜歡去做一些探討性的工作，大家都很自覺地去讀paper,，有很好的學術氛圍，作為導師肯定會很高興,。但是另一方面,，如果將能不能發(fā)文章作為評價學生學術水平的唯一的標準，是非常有局限性的,。發(fā)文章只是研究工作的副產(chǎn)品,，如果做研究不是為了解決問題而去做研究，而是為了發(fā)文章去做研究,，是本末倒置的。

因此,，對本科生一進大學以發(fā)文章為目標,，我是不鼓勵的,。首先需要打好基礎,，有很好的一個知識面，再找一個值得研究的點去深入鉆研,，并能夠很好地平衡點與面,，才能在某個點上提出有創(chuàng)新的方法。把問題真正解決好了,，再發(fā)文章,，才是正確的順序。

因此,，我也希望,，一些公司不要把發(fā)論文變成一種商業(yè)行為，希望能夠有一個很好的學術生態(tài)留給大學,，給真正喜歡做研究的研究人員留一點空間,。

金連文：2012年ImageNet競賽給學術界和工業(yè)界帶來了很大沖擊,，許多人開始關注到深度學習這一領域,。雖然我讀書時研究的方向是神經(jīng)網(wǎng)絡，但神經(jīng)網(wǎng)絡在當時短暫地熱門過一段時間后,，就陷入了低谷,。一個主要原因是當時訓練出來的模型非常容易過擬合，因而在實際應用中不實用。甚至在2012年,，雖然CNN取得突破性進展引起了研究人員的極大關注,，但當時深度學習也存在許多爭議,，很多大牛說深度學習是忽悠人的,，我有時也曾被這些觀點動搖。但是在看了許多文章之后,，我覺得這個方向還是非常重要,，也鼓勵我的學生繼續(xù)堅持。

當時我們在這個方向走了很多彎路,。那時候開源的代碼很少,，除了Hinton組開源的一套 Python代碼以外，基本就沒有更好的了,，同學做實驗都很辛苦,，也很難出好的結(jié)果。有一次,，我?guī)У囊晃槐究仆瑢W發(fā)現(xiàn)數(shù)據(jù)預處理很重要,，然后我們加入了一些數(shù)據(jù)增廣和預處理這些技術以后，做出了遠優(yōu)于傳統(tǒng)方法的識別效果,，這件事給我的沖擊很大,。

那時候移動互聯(lián)網(wǎng)還比較火，我們就對模型進行了壓縮及加速處理,，在手機端進行了移植,，實現(xiàn)了第一個基于深度學習的手機端手寫漢字識別方法。

2014年,，我們將這個手寫識別引擎發(fā)布在谷歌市場,，下載量超過100多萬次。有一次,，一位搜狗公司研究人員看到了我們的APP,，并進行評測。發(fā)現(xiàn)華南理工大學的學生工程化能力很強,，我們不僅識別率很高,，還把模型做得很小，做得很快,。在當時的手機端,，大概20ms左右，就可以在沒有GPU的情況下,，完成處理一個字符識別的全部過程,，在服務器的CPU端大概4~6ms，這個速度是非常驚人的。支持10000多類字符的CNN模型,，模型大小還不到3M,。因此，綜合考慮之下,，搜狗選擇了與我們進行合作,。

金連文：長期以來,，小數(shù)據(jù)訓練模型在深度學習領域都是一個非常重要的問題。有很多思路解決這個問題,，比如零樣本學習,、元學習、遷移學習以及這兩年很熱門的自監(jiān)督學習等,，這些都是在某種程度上去解決這個問題的大方向,，也在近年出現(xiàn)了許多鼓舞人心的進展。

從實踐方面而言,，首先可以從數(shù)據(jù)本身去做思考：數(shù)據(jù)增廣和數(shù)據(jù)合成雖然是常規(guī)的做法,，但是怎么把數(shù)據(jù)增廣、數(shù)據(jù)合成做好,，和訓練模型有機地結(jié)合,，是很重要的。比如說我們早期跟搜狗做手寫輸入法的時候,，我們的數(shù)據(jù)增廣就做的很好,。另外，數(shù)據(jù)合成也很重要,，早期用純圖像處理的方法,，后來有了GAN。雖然簡單的用GAN生成的數(shù)據(jù)直接用來做識別作用不一定很大,，但在數(shù)據(jù)不全的情況下,，GAN的思想還是很好的，因為它可以有依據(jù)的造出數(shù)據(jù),，而且更重要的是GAN可以和識別模型進行聯(lián)合設計及聯(lián)合優(yōu)化,。

模型的魯棒性確實是需要考慮的問題。我們實驗室曾經(jīng)跟某公司做一個OCR的項目,，由于用戶隱私問題,，我們拿到的數(shù)據(jù)一共只有100多張圖片,，而且很多識別條目要求精度99%以上。我們當時就是用數(shù)據(jù)合成的方法,，最后基本達到了要求,。雖然后來發(fā)現(xiàn)，如果換了另外一家銀行不同風格的數(shù)據(jù)后,，不進行調(diào)優(yōu)直接用的話,，精度會下降好幾個百分點，說明合成數(shù)據(jù)的魯棒性還有待提升,。但是在特定應用場景下,，合成數(shù)據(jù)確實是一個好的解決方案,。

金連文：從傳統(tǒng)上來說,，工業(yè)界和學術界還是有很大的差距的。工業(yè)是以產(chǎn)品為導向的研發(fā),，80%的公司的研發(fā)是為半年以后的產(chǎn)品或者一年以后的產(chǎn)品服務,，規(guī)模更大的公司可能是為3~5年之后的產(chǎn)品服務。在這種情況下,，就很難去做一些基礎化,、前沿化的探索性研究。因此,，在深度學習出現(xiàn)之前,，一般是學術界里面技術比較成熟了，才會應用在工業(yè)領域,。

深度學習的出現(xiàn)改變了這個現(xiàn)狀,。深度學習在學術界和工業(yè)界之間架起了一條很好的橋梁，使得學術界和工業(yè)界的關系變得前所未有的緊密,。與過去相比,，更多學術界中研究技術可以更快地應用在產(chǎn)品中。甚至今天我們看到的很多最前沿的研究,，都是在工業(yè)界中產(chǎn)生,，工業(yè)界和學術界之間的界限在逐漸變得模糊。

但從我個人的角度來說,，我經(jīng)常與同學們討論這個問題：我們數(shù)據(jù)PK不過工業(yè)界,，我們的GPU等硬件資源也比不上，那么,，我們高校里做的研究,，優(yōu)勢在哪里？我們應該做什么樣的研究？我們應該選什么樣的題目來做,？我們應該思考這個問題,，不能去做一些同質(zhì)化的研究工作。比如說物體檢測,、人臉識別,、文字識別這些領域，雖然每年都有大量研究成果,，但是實際上門檻已經(jīng)很低,，即使很多問題有著不少新的發(fā)展，但對于很多實際問題,，工業(yè)界比我們做得更快,，也比我們做得更好。

我們學術界應該做一些前瞻性的,、探索性的問題,，這種問題在短期內(nèi)不一定能看得到研究結(jié)果或直接應用產(chǎn)出。比如無監(jiān)督學習/自監(jiān)督學習,，研究它是有風險的,，可能不能立馬出有用的成果，但這樣的一些探索性研究方向,，是非常值得去關注的,，也是在大學中應該去解決的。現(xiàn)在的學生也好,，老師也好,，都有各種各樣的壓力，長期研究一個的比較難的學術問題的確讓人有些為難,，做增量創(chuàng)新容易,，做原創(chuàng)創(chuàng)新困難，但原創(chuàng)創(chuàng)新更能創(chuàng)造價值,。

金連文：這是我的一位博士生做的一個工作,，解決場景文字中任意形狀的端到端文字檢測和識別,。我們最早并不是解決端到端的檢測和識別，是打算做不規(guī)則任意形狀的曲線文本檢測,。2017年,，我跟我的學生一起去夏威夷參加CVPR,，看到在當時的場景文字檢測中，矩形框,、多方向矩形框,、任意四邊形的場景文字檢測已經(jīng)有不少好的解決思路了，于是我們就想,，能不能再往前一步,，做復雜曲線文本的場景文本檢測。當時就萌發(fā)了用Bezier曲線對不規(guī)則形狀文字建模的初步想法,。

在2017年中,，曲線文本的數(shù)據(jù)是非常少的，所以我們回來第一件工作就是先把數(shù)據(jù)集先做起來,。在2017年底,，我們發(fā)布第一個中英文混合的曲線文本數(shù)據(jù)集：SCUT-CTW1500，近年來也被大家廣泛地使用,。2018年之后,，出現(xiàn)了大量的解決任意曲線文本檢測問題的相關工作，單獨做檢測已經(jīng)不是太難的問題,。在這種情形下，我的學生又往前走了一步,，設計了一個新穎的BezierAlign層,，用于精確地提取任意形狀文本實例的卷積特征，和后面的識別器進行端到端聯(lián)合優(yōu)化,。

對于端到端的場景文字檢測這一問題,，還有很大的發(fā)展空間。雖然在很多思路上大家都做了許多非常好的嘗試,，但是從解決這個問題的本身來看：比如曲線文本識別,，在沒有字典或語言模型輔助的情況下，在SCUT-CTW1500數(shù)據(jù)集上準確率還不到60%,。因此,，還有很多研究問題沒有得到解決。

金連文：從我的實驗室的角度上講,，我們不僅要解決特殊的應用場景問題，還會考慮大部分應用場景需要解決的問題,。比如,，曲線文本雖然是非常難且重要的問題,，也是過去這兩年場景文字檢測識別當這個領域中的一個研究熱點。但實際上,，在很多在OCR相關的領域當中,，曲線文本出現(xiàn)的比例并不大。

因此,，我們會更加關注接近應用場景的檢測識別問題,，比如手寫體、文檔性文字等這樣的一些端到端的檢測識別的問題,，以及相關的結(jié)構化理解問題（例如視覺富文檔關鍵信息抽取及文檔圖像結(jié)構化理解）,。這類問題雖然被關注得并不太多，但是實際上也是有比較復雜的研究問題需要解決,，而某種程度上來說,，這類問題有時可能還會更難，而且它的應用價值會非常的大,。

金連文：深度學習的革命和崛起,，是一次非常重要的技術的革命,，過去的5年各方面的發(fā)展也非常的巨大，在方方面面帶來了很多嶄新的技術,。今天有很多學者稱現(xiàn)在是后人工智能時代,，但是我自己并不太贊同這個觀點，我覺得深度學習的這一場革命,，還沒有到它的高潮的時候,，它才剛剛興起不久，還有大量的問題可以依托我們今天的已經(jīng)開拓出的思路去解決,，人工智能還有很遠的路要走,。我相信未來也一定還會有更多的新方法、新思想,、新理論等突破性進展出現(xiàn),。

在計算機視覺領域，從宏觀來說,，無非是解決兩個大的方面問題,，一個是分析理解問題，一個是合成問題,，即怎樣理解我們這個世界和怎么生成數(shù)據(jù),。

第一，在OCR和這個領域當中,，重要的方向有很多,。比如說之前提到自監(jiān)督學習,、文檔結(jié)構化理解問題等等，我們期待會有一些突破性技術的出現(xiàn),，這也是我自己比較關注的一個方向,。

第二個方向，我覺得怎樣更好的利用數(shù)據(jù),，也是非常重要的一個方向,。用個比喻來說，數(shù)據(jù)就是我們的黃金,，有數(shù)據(jù)我們可以做很多事情,。計算機視覺的問題，如果標注數(shù)據(jù)充分多,，隨便找一個成熟的算法都可以達到一個很好的效果,，但高質(zhì)量且能夠覆蓋相應應用場景的數(shù)據(jù)是很難獲取的。

我們比較容易獲取的什么數(shù)據(jù),？你上網(wǎng)一搜可以搜到一大堆數(shù)據(jù),，或者標注質(zhì)量不是特別高的數(shù)據(jù)，這些數(shù)據(jù)就像原油,。那有沒有一個很好的方法,，自動化地把原油變成汽油，變成潤滑油,？這個很重要,。如果能找到方法，那就可以一勞永逸地解決很多人工智能的應用問題,。

因此，從這個角度看,，數(shù)據(jù)提煉可能是人工智能的下一個突破口,。

第三點，計算機視覺與自然語言理解這兩個領域的結(jié)合也是一個很重要的方向,。我們今天做的研究,，感知的問題已經(jīng)相對解決較好，但認知,、理解和推理的問題還沒解決好,。比如說OCR領域，很多時候只是把字識別出來了,，但并不知道這個字是什么意思,。這個方向有很多實際需求，比如說作文自動閱卷和批改,，這個就需要OCR和NLP相結(jié)合才能做,。

第四,，我覺得計算機視覺也好，人工智能也好,，它需要解決一個問題是：我的機器學習模型,，不僅是要知道自己知道，也要知道自己不知道,。這說的是一個置信度的問題,。比如識別一個文字，它被墨水污跡遮住了,，這個時候這個字是不可辨認的,，這個情況下，你的模型可以告訴別人,，這個是沒把握識別的,，然后再讓人工介入。如果能有這樣一個高可靠的置信度機制,，就能讓這個模型更好用,、更可用，對產(chǎn)品應用也非常的關鍵,。也可以在機器人流程自動化（RPA）等許多新領域發(fā)揮重要作用,。