我們生活的世界，越來越?jīng)]有隱私。

今天，網(wǎng)上流出的這段視頻，把許多人都嚇到了。

在一個(gè)咖啡店里，每個(gè)顧客進(jìn)店待了幾分鐘，每個(gè)服務(wù)員給顧客端了幾杯咖啡，都在視頻里顯示得一清二楚！

視頻發(fā)布才十幾個(gè)小時(shí)，已經(jīng)有100多萬網(wǎng)友圍觀了。

發(fā)布視頻的網(wǎng)友表示：這個(gè)概念展示了咖啡店是如何使用AI分析咖啡師和顧客的。請?jiān)诳Х鹊瓿浞帧赶硎堋鼓碾[私吧。??

另一位網(wǎng)友表示，這沒什么大驚小怪的。作為消費(fèi)者，你應(yīng)該知道很多商店在你進(jìn)去的一瞬間，就對你的一切了如指掌。

相比之下，「劍橋分析事件」只是小巫見大巫罷了。

（2018年，F(xiàn)acebook承認(rèn)，這家英國數(shù)據(jù)分析公司在2016年違規(guī)獲得了5000萬Facebook用戶的信息，利用這些資料構(gòu)建了一個(gè)軟件程序，從而預(yù)測和影響了投票箱結(jié)果，成功地幫助特朗普贏得總統(tǒng)大選。）

連馬斯克本人都現(xiàn)身評論區(qū)，連續(xù)留下了兩個(gè)驚嘆號。

如果你覺得在咖啡館里用AI監(jiān)視員工和顧客已經(jīng)夠可怕了，現(xiàn)實(shí)就是，如果不考慮成本，空中可以有數(shù)千架無人機(jī)向監(jiān)管部門發(fā)送實(shí)時(shí)跟蹤數(shù)據(jù)，一切都會(huì)被跟蹤和記錄。

甚至不需要專業(yè)部門，任何人都可以在業(yè)余無人機(jī)上進(jìn)行跟蹤，因?yàn)槟壳暗奈矬w檢測和圖像識別技術(shù)實(shí)在太強(qiáng)大了。

要知道，幾年前在獨(dú)立顯卡上運(yùn)行1080p串流時(shí)，最大容量也不過就是6個(gè)對象。

無處不在的「眼睛」

現(xiàn)實(shí)就是，我們現(xiàn)在的世界，到處都是攝像頭。

其中，已經(jīng)有不少企業(yè)部署了非常隱蔽的策略，用于追蹤消費(fèi)者，一切都是通過AI和視頻源上的視覺識別來完成的。

比如沃爾瑪?shù)闹悄芰闶蹖?shí)驗(yàn)室內(nèi)，IRL傳感器和攝像頭，讓工作人員對店里的一切都了如指掌。

快餐店也采用了AI技術(shù)進(jìn)行員工監(jiān)督。這里規(guī)定員工必須戴口罩，如果誰摘下口罩，經(jīng)理就會(huì)立刻知道。

另外，我們的移動(dòng)位置數(shù)據(jù)也在出售。

幾乎所有手機(jī)運(yùn)營商，都在匿名向零售店售賣數(shù)據(jù)，可以說這是他們的一部分核心業(yè)務(wù)。

只要谷歌一下「運(yùn)營商名稱+crowd insights（人群洞察）」，得到的結(jié)果就會(huì)令你驚訝。

「想知道特定時(shí)間內(nèi)經(jīng)過特定地點(diǎn)的人群數(shù)量是多少嗎？他們的年齡、收入狀況怎樣，有多少能夠成為潛在客戶？」

當(dāng)然，「人群洞察」服務(wù)會(huì)強(qiáng)調(diào)：數(shù)據(jù)都是匿名的，收據(jù)收集的方式并不會(huì)暴露個(gè)人隱私。

有人表示：既然我的數(shù)據(jù)被收集了，我可以要求企業(yè)向我付費(fèi)嗎？

關(guān)于企業(yè)中采用的攝像頭，評論區(qū)有人現(xiàn)身說法——

「我在體育場的后端安全攝像頭系統(tǒng)工作，我們向公眾發(fā)布的內(nèi)容，只有實(shí)際數(shù)據(jù)的1/3。」

「這簡直就像在電影中，把自己的臉輸進(jìn)去，系統(tǒng)就會(huì)識別出你在哪里。」

而實(shí)現(xiàn)這一切，你只需要利用任意的攝像頭，安裝一個(gè)300美元的軟件，然后開始運(yùn)行，直到磁盤空間用盡。

利與弊？

對此，AI咨詢專家Diego San Esteban分享了自己的觀點(diǎn)：

他認(rèn)為，AI監(jiān)測當(dāng)然有不少優(yōu)點(diǎn)，比如能持續(xù)監(jiān)控員工的表現(xiàn)和生產(chǎn)力，讓管理人員更好地制定戰(zhàn)略。

另外，AI也可以提供客觀的績效數(shù)據(jù)，避免在評估中出現(xiàn)人為的偏見。

而缺點(diǎn)也不少，最為人詬病的自然是對員工隱私權(quán)的侵犯，并且還會(huì)在企業(yè)內(nèi)產(chǎn)生不信任的氣氛，影響士氣和工作滿意度。

AI也無法充分理解工作進(jìn)行的背景，還缺乏人類的同理心。

并且，它很可能會(huì)犯錯(cuò)，受到訓(xùn)練數(shù)據(jù)固有的偏見影響，這對員工是極度不公平的。

目標(biāo)檢測算法

其實(shí)，這次備受爭議的事件背后，就是一種很常見的AI技術(shù)——目標(biāo)檢測。

例如，給定一張城市街道的照片，目標(biāo)檢測模型將返回圖像中所有不同物體的注釋或標(biāo)簽列表：交通信號燈、車輛、道路標(biāo)志、建筑物等。

這些標(biāo)簽將包含每個(gè)物體的適當(dāng)類別，比如「人」，以及一個(gè)「邊界框」，即完全包含物體的矩形區(qū)域。

行業(yè)應(yīng)用

目標(biāo)檢測對于人類來說是一項(xiàng)關(guān)鍵任務(wù)：當(dāng)進(jìn)入新的房間或場景時(shí)，我們的第一反應(yīng)是對其中的物體和人員進(jìn)行視覺評估，然后理解它們。

與人類類似，目標(biāo)檢測在使計(jì)算機(jī)理解和與視覺世界進(jìn)行交互方面發(fā)揮著至關(guān)重要的作用，并且已經(jīng)在很多行業(yè)中得到了廣泛的應(yīng)用：

- 場所安全：

目標(biāo)檢測模型可以幫助提高工作場所的安全性和安全性。例如，它們可以檢測敏感區(qū)域中可疑個(gè)體或車輛的存在。更具創(chuàng)意性的是，它可以確保工人使用個(gè)人防護(hù)裝備（PPE），如手套、頭盔或口罩。

- 社交媒體：

目標(biāo)檢測模型可以幫助識別數(shù)字媒體中特定品牌、產(chǎn)品、標(biāo)志或人物的存在。廣告商可以利用這些信息來收集數(shù)據(jù)，并向用戶展示更相關(guān)的廣告。它還有助于自動(dòng)化檢測和標(biāo)記不當(dāng)或禁止內(nèi)容的過程。

- 質(zhì)量控制：

目標(biāo)檢測模型實(shí)現(xiàn)了對視覺數(shù)據(jù)的自動(dòng)化審查。計(jì)算機(jī)和攝像頭可以實(shí)時(shí)分析數(shù)據(jù)，自動(dòng)檢測和處理視覺信息并理解其重要性，從而減少了在需要進(jìn)行持續(xù)視覺審查的任務(wù)中的人工干預(yù)。這在制造生產(chǎn)質(zhì)量控制方面尤其有用。它不僅提高了效率，還可以檢測到人眼可能忽略的生產(chǎn)異常，從而防止?jié)撛诘纳a(chǎn)中斷或產(chǎn)品召回。

首次達(dá)到66 AP，最強(qiáng)SOTA算法霸榜

當(dāng)前，在目標(biāo)檢測算法的性能上，來自國內(nèi)團(tuán)隊(duì)的「DETRs with Collaborative Hybrid Assignments Training」，憑借了高達(dá)66 AP的成績霸榜COCO。該工作已經(jīng)被ICCV 2023錄用。

在論文中，作者提出了一種新穎的協(xié)作混合分配訓(xùn)練方案——Co-DETR，可以從多樣化的標(biāo)簽分配方式中學(xué)習(xí)更高效且更有效的基于DETR的檢測器。

通過訓(xùn)練多個(gè)平行輔助頭（受到一對多標(biāo)簽分配的監(jiān)督，如ATSS和Faster RCNN），全新的Co-DETR可以輕松提升端到端檢測器中編碼器的學(xué)習(xí)能力。

通過從這些輔助頭中提取正坐標(biāo)來進(jìn)行額外的定制正查詢，Co-DETR還可以提高解碼器中正樣本的訓(xùn)練效率。

此外，在推理過程中，這些輔助頭會(huì)被丟棄，因此該方法不會(huì)給原始檢測器引入額外的參數(shù)和計(jì)算成本，同時(shí)也不需要手工非極大值抑制（NMS）。

論文地址：https://arxiv.org/abs/2211.12860v5

項(xiàng)目地址：https://github.com/Sense-X/Co-DETR

- 編碼器優(yōu)化：

訓(xùn)練方案可以通過訓(xùn)練多個(gè)平行輔助頭，這些頭通過一對多的標(biāo)簽分配進(jìn)行監(jiān)督，從而輕松提升端到端檢測器中編碼器的學(xué)習(xí)能力。

- 解碼器優(yōu)化：

通過從這些輔助頭中提取正坐標(biāo)來進(jìn)行額外的定制正查詢，來改善解碼器的注意力學(xué)習(xí)。

- SOTA的性能：

搭載ViT-L（304M參數(shù)）的Co-DETR是第一個(gè)在COCO test-dev上實(shí)現(xiàn)66.0% AP的模型。

實(shí)驗(yàn)結(jié)果顯示，在Swin-L骨干網(wǎng)絡(luò)的基礎(chǔ)上，Co-DETR方法可以將現(xiàn)有的SOTA模型DINO-Deformable-DETR的性能，從58.5%提高到59.5%（在COCO驗(yàn)證集上）。

在ViT-L骨干網(wǎng)絡(luò)的支持下，Co-DETR在COCO test-dev上實(shí)現(xiàn)了66.0% AP，以及在LVIS驗(yàn)證集上實(shí)現(xiàn)了67.9% AP。

此外，與以往方法相比，Co-DETR還在模型規(guī)模更小的情況下，取得了更好的性能。