我们现在知道：将物体的32x32照片分成10类（CIFAR-10），在机器学习领域属于EASY。人类大脑的视觉处理系统对物体的轮廓和细节敏感，并能够将这些轮廓和细节组成更高级的抽象概念，最终判定物体的类别。于是科学家用CNN函数拟合了大脑的这种视觉处理的过程，所以我们现在获得了非常好的分类器。

但这并不等于我们解决了机器视觉的问题。很多人眼拥有的能力，目前大家手中的神经网络还不具备。

首先，人眼的分辨率是很高的，按照这个分辨率，45度视野下接近于8k视频。那么，假如我们要用CNN方法找到8k视频图像中的一架无人机，我们就必须用卷积核对整张图片进行卷积，而我上面展示的最简单的神经网络，也差不多要对整张图卷积100次。这对计算机来说已经很辛苦了，换成人类的大脑则更是不可能的。

那人眼是怎么做到的呢？人眼虽然分辨率很高，但这个高分辨率仅限于中心非常小的一部分，而四周的分辨率是很低的。

下面是人眼视锥细胞（色觉，高分辨率）和视杆细胞（光感，低分辨率）的密度分布图。

视网膜中心的视锥细胞分布是这样的（左为正常人，右为红绿色盲）：

所以当有一架无人机在飞的时候，人眼先利用四周低分辨率的视杆细胞感应到无人机的存在，然后控制眼球四周的肌肉，旋转眼球将光轴指向目标，从而获得目标的高分辨率图像，然后接着对目标再进行分类判定。

（图片都来自维基百科）

这样一来，人脑就可以用非常低的带宽，获得极高分辨率的视觉。所以未来实用的机器视觉应用，根据我的设想应该是这样的：

其次，并不是所有的视觉能力都可以后天学习。

以CIFAR-10为例，里面的很多类别是人造的物体，这些物体回到100年前是没有的，但是今天的人类可以毫无压力地学习他们的外观特征，说明对物体的外观特征的分类能力，是可以通过学习获得的，而不是天生的。但是，人类还有很多视觉能力不是通过后天学习获得的，而是天生就有的。

比如我上面一楼提到的动态视觉能力，就属于天生的。看下面这张图，你能找到两架无人机分别在哪里吗？

很困难，因为我们看的是一张静态图片。假如图像是动态的，我们就可以利用上面一楼提到的动态视觉能力。只要无人机稍微有点晃动，即使我们的视线没有盯着它看，敏感的视杆细胞也能马上感受到亮度的微小变化，从而发现无人机。等到我们把视线中心转过去，就可以利用视觉残留滤波的方法，判断那到底是不是无人机。所以要实现robust的追踪，这些问题都是要解决的。

不过这样一来，我们就得把像CNN这样的开环系统，改成多级反馈系统（类似RNN）。每一级之间如何连接，整个架构怎么训练，仍然需要继续刷论文。而且由于动态视觉能力并不是后天习得的，而是通过无数代自然选择进化留下的，因此直接套用现成的机器学习算法是浪费时间，必须先把Human Vision吃透。

本楼是给对这个问题有兴趣的读者做的一个简单介绍，也欢迎大家提出不同意见。

两架无人机分别在这里：

人眼的分辨率分布：