图像识别技术在过去短短几年内取得了很大进步，进步速度可能超过了其他任何一个领域，而谷歌已经让最终用户体验到了这种进步。例如，若想了解我们取得了多大的进步，只要在Google Photos上面 搜索 你自己的照片即可。但是，识别物体（以及基本的场景）却还只是迈出了第一步。

今年9月份，谷歌对外 演示 了它的新技术，这项技术利用当前深受欢迎的 深度学习 方法，不仅可以识别单一物体的图像，而且还能对一张照片中的不同物体进行分类（例如，果篮中不同类型的水果）。

一旦你能做到这一点，你还可以用自然语言对图像做出完整描述，这正是谷歌当前正在做的 事情 。根据谷歌研究院（Google Research）的一份最新文件，该公司现已开发了一套具有“自学”能力的新系统，可以极为精确地描述像下面这样的图像。

正如谷歌研究人员所指出的，解决这一问题的常见方法是，首先运用计算机视觉算法进行计算，然后用自然语言处理方法来进行描述。这听上去合情合理，但谷歌研究人员却认为，更好的解决办法是，“将最新的计算机视觉和语言模式整合到一个联合训练的系统中，然后提取照片，直接生成人类读得懂的单词序列进行描述。”谷歌表示，在将两个 递归神经网络 整合以后，这种方法在机器翻译中 效果非常好 。这种自动描述系统（captioning system）的工作机制略有不同，但基本上都采用相同的方法。

这并不意味着谷歌的方法是完美的。根据数据集的不同，谷歌电脑字幕系统在 BLEU测试 （这种测试手段往往被用于对机器翻译质量和人类翻译质量进行比较）中的得分一般介于27分到59分之间。人类的得分往往在69分左右。尽管如此，相比其他得分不超过25分的方法，谷歌的自动描述系统仍然向前迈出了一大步。

翻译：皓岳

New Google Research Project Can Auto-Caption Complex Images