譯者 | 王柯凝

出品 | AI科技大本營（公眾號ID：rgznai100）

【 AI 科技大本營導(dǎo)讀】目前，計算機(jī)視覺是深度學(xué)習(xí)領(lǐng)域最熱門的研究領(lǐng)域之一。計算機(jī)視覺實際上是一個跨領(lǐng)域的交叉學(xué)科，包括計算機(jī)科學(xué)（圖形、算法、理論、系統(tǒng)、體系結(jié)構(gòu)），數(shù)學(xué)（信息檢索、機(jī)器學(xué)習(xí)），工程學(xué)（機(jī)器人、語音、自然語言處理、圖像處理），物理學(xué)（光學(xué) ），生物學(xué)（神經(jīng)科學(xué)）和心理學(xué)（認(rèn)知科學(xué)）等等。許多科學(xué)家認(rèn)為，計算機(jī)視覺為人工智能的發(fā)展開拓了道路。

那么什么是計算機(jī)視覺呢？ 這里給出了幾個比較嚴(yán)謹(jǐn)?shù)亩x：

? “對圖像中的客觀對象構(gòu)建明確而有意義的描述”（Ballard＆Brown，1982）

? “從一個或多個數(shù)字圖像中計算三維世界的特性”（Trucco＆Verri，1998）

? “基于感知圖像做出對客觀對象和場景有用的決策”（Sockman＆Shapiro，2001）

▌為什么要學(xué)習(xí)計算機(jī)視覺？

一個顯而易見的答案就是，這個研究領(lǐng)域已經(jīng)衍生出了一大批快速成長的、有實際作用的應(yīng)用，例如：

人臉識別： Snapchat 和 Facebook 使用人臉檢測算法來識別人臉。

圖像檢索：Google Images 使用基于內(nèi)容的查詢來搜索相關(guān)圖片，算法分析查詢圖像中的內(nèi)容并根據(jù)最佳匹配內(nèi)容返回結(jié)果。

游戲和控制：使用立體視覺較為成功的游戲應(yīng)用產(chǎn)品是：微軟 Kinect。

監(jiān)測：用于監(jiān)測可疑行為的監(jiān)視攝像頭遍布于各大公共場所中。

生物識別技術(shù)：指紋、虹膜和人臉匹配仍然是生物識別領(lǐng)域的一些常用方法。

智能汽車：計算機(jī)視覺仍然是檢測交通標(biāo)志、燈光和其他視覺特征的主要信息來源。

視覺識別是計算機(jī)視覺的關(guān)鍵組成部分，如圖像分類、定位和檢測。神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的最新進(jìn)展極大地推動了這些最先進(jìn)的視覺識別系統(tǒng)的發(fā)展。在本文中，我將分享 5 種主要的計算機(jī)視覺技術(shù)，并介紹幾種基于計算機(jī)視覺技術(shù)的深度學(xué)習(xí)模型與應(yīng)用。

▌1?、圖像分類

給定一組各自被標(biāo)記為單一類別的圖像，我們對一組新的測試圖像的類別進(jìn)行預(yù)測，并測量預(yù)測的準(zhǔn)確性結(jié)果，這就是圖像分類問題。圖像分類問題需要面臨以下幾個挑戰(zhàn)???：

視點變化，尺度變化，類內(nèi)變化，圖像變形，圖像遮擋，照明條件和背景雜斑

我們怎樣來編寫一個圖像分類算法呢？

計算機(jī)視覺研究人員提出了一種基于數(shù)據(jù)驅(qū)動的方法。

該算法并不是直接在代碼中指定每個感興趣的圖像類別，而是為計算機(jī)每個圖像類別都提供許多示例，然后設(shè)計一個學(xué)習(xí)算法，查看這些示例并學(xué)習(xí)每個類別的視覺外觀。也就是說，首先積累一個帶有標(biāo)記圖像的訓(xùn)練集，然后將其輸入到計算機(jī)中，由計算機(jī)來處理這些數(shù)據(jù)。

因此，可以按照下面的步驟來分解：

輸入是由 N 個圖像組成的訓(xùn)練集，共有 K 個類別，每個圖像都被標(biāo)記為其中一個類別。

然后，使用該訓(xùn)練集訓(xùn)練一個分類器，來學(xué)習(xí)每個類別的外部特征。

最后，預(yù)測一組新圖像的類標(biāo)簽，評估分類器的性能，我們用分類器預(yù)測的類別標(biāo)簽與其真實的類別標(biāo)簽進(jìn)行比較。

目前較為流行的圖像分類架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)（CNN）——將圖像送入網(wǎng)絡(luò)，然后網(wǎng)絡(luò)對圖像數(shù)據(jù)進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)從輸入“掃描儀”開始，該輸入“掃描儀”也不會一次性解析所有的訓(xùn)練數(shù)據(jù)。比如輸入一個大小為 100*100 的圖像，你也不需要一個有 10,000 個節(jié)點的網(wǎng)絡(luò)層。相反，你只需要創(chuàng)建一個大小為 10 *10 的掃描輸入層，掃描圖像的前 10*10 個像素。然后，掃描儀向右移動一個像素，再掃描下一個 10 *10 的像素，這就是滑動窗口。

輸入數(shù)據(jù)被送入卷積層，而不是普通層。每個節(jié)點只需要處理離自己最近的鄰近節(jié)點，卷積層也隨著掃描的深入而趨于收縮。除了卷積層之外，通常還會有池化層。池化是過濾細(xì)節(jié)的一種方法，常見的池化技術(shù)是最大池化，它用大小為 2*2 的矩陣傳遞擁有最多特定屬性的像素。

現(xiàn)在，大部分圖像分類技術(shù)都是在 ImageNet 數(shù)據(jù)集上訓(xùn)練的， ImageNet 數(shù)據(jù)集中包含了約 120 萬張高分辨率訓(xùn)練圖像。測試圖像沒有初始注釋（即沒有分割或標(biāo)簽），并且算法必須產(chǎn)生標(biāo)簽來指定圖像中存在哪些對象。

現(xiàn)存的很多計算機(jī)視覺算法，都是被來自牛津、 INRIA 和 XRCE 等頂級的計算機(jī)視覺團(tuán)隊在 ImageNet 數(shù)據(jù)集上實現(xiàn)的。通常來說，計算機(jī)視覺系統(tǒng)使用復(fù)雜的多級管道，并且，早期階段的算法都是通過優(yōu)化幾個參數(shù)來手動微調(diào)的。

第一屆 ImageNet 競賽的獲獎?wù)呤?Alex Krizhevsky（NIPS 2012） ，他在 Yann LeCun 開創(chuàng)的神經(jīng)網(wǎng)絡(luò)類型基礎(chǔ)上，設(shè)計了一個深度卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)架構(gòu)除了一些最大池化層外，還包含 7 個隱藏層，前幾層是卷積層，最后兩層是全連接層。在每個隱藏層內(nèi)，激活函數(shù)為線性的，要比邏輯單元的訓(xùn)練速度更快、性能更好。除此之外，當(dāng)附近的單元有更強(qiáng)的活動時，它還使用競爭性標(biāo)準(zhǔn)化來壓制隱藏活動，這有助于強(qiáng)度的變化。

就硬件要求而言， Alex 在 2 個 Nvidia GTX 580 GPU （速度超過 1000 個快速的小內(nèi)核）上實現(xiàn)了非常高效的卷積網(wǎng)絡(luò)。 GPU 非常適合矩陣間的乘法且有非常高的內(nèi)存帶寬。這使他能在一周內(nèi)完成訓(xùn)練，并在測試時快速的從 10 個塊中組合出結(jié)果。如果我們能夠以足夠快的速度傳輸狀態(tài)，就可以將網(wǎng)絡(luò)分布在多個內(nèi)核上。

隨著內(nèi)核越來越便宜，數(shù)據(jù)集越來越大，大型神經(jīng)網(wǎng)絡(luò)的速度要比老式計算機(jī)視覺系統(tǒng)更快。在這之后，已經(jīng)有很多種使用卷積神經(jīng)網(wǎng)絡(luò)作為核心，并取得優(yōu)秀成果的模型，如ZFNet（2013），GoogLeNet（2014）， VGGNet（2014）， RESNET（2015），DenseNet（2016）等。

▌2?、對象檢測

識別圖像中的對象這一任務(wù)，通常會涉及到為各個對象輸出邊界框和標(biāo)簽。這不同于分類/定位任務(wù)——對很多對象進(jìn)行分類和定位，而不僅僅是對個主體對象進(jìn)行分類和定位。在對象檢測中，你只有 2 個對象分類類別，即對象邊界框和非對象邊界框。例如，在汽車檢測中，你必須使用邊界框檢測所給定圖像中的所有汽車。

如果使用圖像分類和定位圖像這樣的滑動窗口技術(shù)，我們則需要將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像上的很多不同物體上。由于卷積神經(jīng)網(wǎng)絡(luò)會將圖像中的每個物體識別為對象或背景，因此我們需要在大量的位置和規(guī)模上使用卷積神經(jīng)網(wǎng)絡(luò)，但是這需要很大的計算量！

為了解決這一問題，神經(jīng)網(wǎng)絡(luò)研究人員建議使用區(qū)域（region）這一概念，這樣我們就會找到可能包含對象的“斑點”圖像區(qū)域，這樣運行速度就會大大提高。第一種模型是基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（ R-CNN ），其算法原理如下：

在 R-CNN 中，首先使用選擇性搜索算法掃描輸入圖像，尋找其中的可能對象，從而生成大約 2,000 個區(qū)域建議；

然后，在這些區(qū)域建議上運行一個 卷積神網(wǎng)絡(luò)；

最后，將每個卷積神經(jīng)網(wǎng)絡(luò)的輸出傳給支持向量機(jī)（ SVM ），使用一個線性回歸收緊對象的邊界框。

實質(zhì)上，我們將對象檢測轉(zhuǎn)換為一個圖像分類問題。但是也存在這些問題：訓(xùn)練速度慢，需要大量的磁盤空間，推理速度也很慢。

R-CNN 的第一個升級版本是 Fast R-CNN，通過使用了 2 次增強(qiáng)，大大提了檢測速度：

在建議區(qū)域之前進(jìn)行特征提取，因此在整幅圖像上只能運行一次卷積神經(jīng)網(wǎng)絡(luò)；

用一個 softmax 層代替支持向量機(jī)，對用于預(yù)測的神經(jīng)網(wǎng)絡(luò)進(jìn)行擴(kuò)展，而不是創(chuàng)建一個新的模型。

Fast R-CNN 的運行速度要比 R-CNN 快的多，因為在一幅圖像上它只能訓(xùn)練一個 CNN 。 但是，擇性搜索算法生成區(qū)域提議仍然要花費大量時間。

Faster R-CNN 是基于深度學(xué)習(xí)對象檢測的一個典型案例。

該算法用一個快速神經(jīng)網(wǎng)絡(luò)代替了運算速度很慢的選擇性搜索算法：通過插入?yún)^(qū)域提議網(wǎng)絡(luò)（ RPN ），來預(yù)測來自特征的建議。 RPN 決定查看“哪里”，這樣可以減少整個推理過程的計算量。?

RPN 快速且高效地掃描每一個位置，來評估在給定的區(qū)域內(nèi)是否需要作進(jìn)一步處理，其實現(xiàn)方式如下：通過輸出 k 個邊界框建議，每個邊界框建議都有 2 個值——代表每個位置包含目標(biāo)對象和不包含目標(biāo)對象的概率。

一旦我們有了區(qū)域建議，就直接將它們送入 Fast R-CNN 。 并且，我們還添加了一個池化層、一些全連接層、一個 softmax 分類層以及一個邊界框回歸器。

總之，F(xiàn)aster R-CNN 的速度和準(zhǔn)確度更高。值得注意的是，雖然以后的模型在提高檢測速度方面做了很多工作，但很少有模型能夠大幅度的超越 Faster R-CNN 。換句話說， Faster R-CNN 可能不是最簡單或最快速的目標(biāo)檢測方法，但仍然是性能最好的方法之一。

近年來，主要的目標(biāo)檢測算法已經(jīng)轉(zhuǎn)向更快、更高效的檢測系統(tǒng)。這種趨勢在 You Only Look Once（YOLO），Single Shot MultiBox Detector（SSD）和基于區(qū)域的全卷積網(wǎng)絡(luò)（ R-FCN ）算法中尤為明顯，這三種算法轉(zhuǎn)向在整個圖像上共享計算。因此，這三種算法和上述的3種造價較高的R-CNN 技術(shù)有所不同。

▌3?、?目標(biāo)跟蹤

目標(biāo)跟蹤，是指在特定場景跟蹤某一個或多個特定感興趣對象的過程。傳統(tǒng)的應(yīng)用就是視頻和真實世界的交互，在檢測到初始對象之后進(jìn)行觀察?，F(xiàn)在，目標(biāo)跟蹤在無人駕駛領(lǐng)域也很重要，例如 Uber 和特斯拉等公司的無人駕駛。

根據(jù)觀察模型，目標(biāo)跟蹤算法可分成 2 類：生成算法和判別算法。

生成算法使用生成模型來描述表觀特征，并將重建誤差最小化來搜索目標(biāo)，如主成分分析算法（ PCA ）；

判別算法用來區(qū)分物體和背景，其性能更穩(wěn)健，并逐漸成為跟蹤對象的主要手段（判別算法也稱為 Tracking-by-Detection ，深度學(xué)習(xí)也屬于這一范疇）。

為了通過檢測實現(xiàn)跟蹤，我們檢測所有幀的候選對象，并使用深度學(xué)習(xí)從候選對象中識別想要的對象。有兩種可以使用的基本網(wǎng)絡(luò)模型：堆疊自動編碼器（ SAE ）和卷積神經(jīng)網(wǎng)絡(luò)（ CNN ）。

目前，最流行的使用 SAE 進(jìn)行目標(biāo)跟蹤的網(wǎng)絡(luò)是 Deep Learning Tracker（DLT），它使用了離線預(yù)訓(xùn)練和在線微調(diào)。其過程如下：

離線無監(jiān)督預(yù)訓(xùn)練使用大規(guī)模自然圖像數(shù)據(jù)集獲得通用的目標(biāo)對象表示，對堆疊去噪自動編碼器進(jìn)行預(yù)訓(xùn)練。堆疊去噪自動編碼器在輸入圖像中添加噪聲并重構(gòu)原始圖像，可以獲得更強(qiáng)大的特征表述能力。

將預(yù)訓(xùn)練網(wǎng)絡(luò)的編碼部分與分類器合并得到分類網(wǎng)絡(luò)，然后使用從初始幀中獲得的正負(fù)樣本對網(wǎng)絡(luò)進(jìn)行微調(diào)，來區(qū)分當(dāng)前的對象和背景。 DLT 使用粒子濾波作為意向模型（motion model），生成當(dāng)前幀的候選塊。 分類網(wǎng)絡(luò)輸出這些塊的概率值，即分類的置信度，然后選擇置信度最高的塊作為對象。

在模型更新中， DLT 使用有限閾值。

鑒于 CNN 在圖像分類和目標(biāo)檢測方面的優(yōu)勢，它已成為計算機(jī)視覺和視覺跟蹤的主流深度模型。 一般來說，大規(guī)模的卷積神經(jīng)網(wǎng)絡(luò)既可以作為分類器和跟蹤器來訓(xùn)練。具有代表性的基于卷積神經(jīng)網(wǎng)絡(luò)的跟蹤算法有全卷積網(wǎng)絡(luò)跟蹤器（ FCNT ）和多域卷積神經(jīng)網(wǎng)絡(luò)（ MD Net ）。

FCNT 充分分析并利用了 VGG 模型中的特征映射，這是一種預(yù)先訓(xùn)練好的 ImageNet 數(shù)據(jù)集，并有如下效果：

卷積神經(jīng)網(wǎng)絡(luò)特征映射可用于定位和跟蹤。

對于從背景中區(qū)分特定對象這一任務(wù)來說，很多卷積神經(jīng)網(wǎng)絡(luò)特征映射是噪音或不相關(guān)的。

較高層捕獲對象類別的語義概念，而較低層編碼更多的具有區(qū)性的特征，來捕獲類別內(nèi)的變形。

因此， FCNT 設(shè)計了特征選擇網(wǎng)絡(luò)，在 VGG 網(wǎng)絡(luò)的卷積 4-3 和卷積 5-3 層上選擇最相關(guān)的特征映射。 然后為避免噪音的過擬合， FCNT 還為這兩個層的選擇特征映射單獨設(shè)計了兩個額外的通道（即 SNet 和 GNet ）：GNet 捕獲對象的類別信息；?SNet 將該對象從具有相似外觀的背景中區(qū)分出來。

這兩個網(wǎng)絡(luò)的運作流程如下：都使用第一幀中給定的邊界框進(jìn)行初始化，以獲取對象的映射。而對于新的幀，對其進(jìn)行剪切并傳輸最后一幀中的感興趣區(qū)域，該感興趣區(qū)域是以目標(biāo)對象為中心。最后，通過 SNet 和 GNet ，分類器得到兩個預(yù)測熱映射，而跟蹤器根據(jù)是否存在干擾信息，來決定使用哪張熱映射生成的跟蹤結(jié)果。 FCNT 的圖如下所示。

與 FCNT 的思路不同， MD Net 使用視頻的所有序列來跟蹤對象的移動。上述網(wǎng)絡(luò)使用不相關(guān)的圖像數(shù)據(jù)來減少跟蹤數(shù)據(jù)的訓(xùn)練需求，并且這種想法與跟蹤有一些偏差。該視頻中的一個類的對象可以是另一個視頻中的背景，因此， MD Net 提出了“多域”這一概念，它能夠在每個域中獨立的區(qū)分對象和背景，而一個域表示一組包含相同類型對象的視頻。

如下圖所示， MD Net 可分為兩個部分，即 K 個特定目標(biāo)分支層和共享層：每個分支包含一個具有 softmax 損失的二進(jìn)制分類層，用于區(qū)分每個域中的對象和背景；共享層與所有域共享，以保證通用表示。

近年來，深度學(xué)習(xí)研究人員嘗試使用了不同的方法來適應(yīng)視覺跟蹤任務(wù)的特征，并且已經(jīng)探索了很多方法：

應(yīng)用到諸如循環(huán)神經(jīng)網(wǎng)絡(luò)（ RNN ）和深度信念網(wǎng)絡(luò)（DBN ）等其他網(wǎng)絡(luò)模型；

設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)來適應(yīng)視頻處理和端到端學(xué)習(xí)，優(yōu)化流程、結(jié)構(gòu)和參數(shù)；

或者將深度學(xué)習(xí)與傳統(tǒng)的計算機(jī)視覺或其他領(lǐng)域的方法（如語言處理和語音識別）相結(jié)合。

▌4、語義分割

計算機(jī)視覺的核心是分割，它將整個圖像分成一個個像素組，然后對其進(jìn)行標(biāo)記和分類。特別地，語義分割試圖在語義上理解圖像中每個像素的角色（比如，識別它是汽車、摩托車還是其他的類別）。如上圖所示，除了識別人、道路、汽車、樹木等之外，我們還必須確定每個物體的邊界。因此，與分類不同，我們需要用模型對密集的像素進(jìn)行預(yù)測。

與其他計算機(jī)視覺任務(wù)一樣，卷積神經(jīng)網(wǎng)絡(luò)在分割任務(wù)上取得了巨大成功。最流行的原始方法之一是通過滑動窗口進(jìn)行塊分類，利用每個像素周圍的圖像塊，對每個像素分別進(jìn)行分類。但是其計算效率非常低，因為我們不能在重疊塊之間重用共享特征。

解決方案就是加州大學(xué)伯克利分校提出的全卷積網(wǎng)絡(luò)（ FCN ），它提出了端到端的卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，在沒有任何全連接層的情況下進(jìn)行密集預(yù)測。

這種方法允許針對任何尺寸的圖像生成分割映射，并且比塊分類算法快得多，幾乎后續(xù)所有的語義分割算法都采用了這種范式。

但是，這也仍然存在一個問題：在原始圖像分辨率上進(jìn)行卷積運算非常昂貴。為了解決這個問題， FCN 在網(wǎng)絡(luò)內(nèi)部使用了下采樣和上采樣：下采樣層被稱為條紋卷積（ striped convolution ）；而上采樣層被稱為反卷積（ transposed convolution ）。

盡管采用了上采樣和下采樣層，但由于池化期間的信息丟失， FCN 會生成比較粗糙的分割映射。 SegNet 是一種比 FCN （使用最大池化和編碼解碼框架）更高效的內(nèi)存架構(gòu)。在 SegNet ?解碼技術(shù)中，從更高分辨率的特征映射中引入了 shortcut/skip connections ，以改善上采樣和下采樣后的粗糙分割映射。

目前的語義分割研究都依賴于完全卷積網(wǎng)絡(luò)，如空洞卷積 ( Dilated Convolutions ），DeepLab 和 RefineNet 。

▌5?、實例分割

除了語義分割之外，實例分割將不同類型的實例進(jìn)行分類，比如用 5 種不同顏色來標(biāo)記 5 輛汽車。分類任務(wù)通常來說就是識別出包含單個對象的圖像是什么，但在分割實例時，我們需要執(zhí)行更復(fù)雜的任務(wù)。我們會看到多個重疊物體和不同背景的復(fù)雜景象，我們不僅需要將這些不同的對象進(jìn)行分類，而且還要確定對象的邊界、差異和彼此之間的關(guān)系！

到目前為止，我們已經(jīng)看到了如何以多種有趣的方式使用卷積神經(jīng)網(wǎng)絡(luò)的特征，通過邊界框有效定位圖像中的不同對象。我們可以將這種技術(shù)進(jìn)行擴(kuò)展嗎？也就是說，對每個對象的精確像素進(jìn)行定位，而不僅僅是用邊界框進(jìn)行定位？ ?Facebook AI 則使用了 Mask R-CNN 架構(gòu)對實例分割問題進(jìn)行了探索。

就像 Fast R-CNN 和 Faster R-CNN 一樣， Mask R-CNN 的底層是鑒于 Faster R-CNN 在物體檢測方面效果很好，我們是否可以將其擴(kuò)展到像素級分割？

Mask R-CNN 通過向 Faster R-CNN 添加一個分支來進(jìn)行像素級分割，該分支輸出一個二進(jìn)制掩碼，該掩碼表示給定像素是否為目標(biāo)對象的一部分：該分支是基于卷積神經(jīng)網(wǎng)絡(luò)特征映射的全卷積網(wǎng)絡(luò)。將給定的卷積神經(jīng)網(wǎng)絡(luò)特征映射作為輸入，輸出為一個矩陣，其中像素屬于該對象的所有位置用 1 表示，其他位置則用 0 表示，這就是二進(jìn)制掩碼。

另外，當(dāng)在原始 Faster R-CNN 架構(gòu)上運行且沒有做任何修改時，感興趣池化區(qū)域（ RoIPool ） 選擇的特征映射區(qū)域或原始圖像的區(qū)域稍微錯開。由于圖像分割具有像素級特性，這與邊界框不同，自然會導(dǎo)致結(jié)果不準(zhǔn)確。 Mas R-CNN 通過調(diào)整 RoIPool 來解決這個問題，使用感興趣區(qū)域?qū)R（ Roialign ）方法使其變的更精確。本質(zhì)上， RoIlign 使用雙線性插值來避免舍入誤差，這會導(dǎo)致檢測和分割不準(zhǔn)確。

一旦生成這些掩碼， Mask R-CNN 將 RoIAlign 與來自 Faster R-CNN 的分類和邊界框相結(jié)合，以便進(jìn)行精確的分割：

▌結(jié)語

上述這 5 種主要的計算機(jī)視覺技術(shù)可以協(xié)助計算機(jī)從單個或一系列圖像中提取、分析和理解有用的信息。你還可以通過我的 GitHub 存儲庫（https://github.com/khanhnamle1994/computer-vision）獲取所有的演講幻燈片以及指南。

作者 | James Le

原文鏈接

https://heartbeat.fritz.ai/the-5-computer-vision-techniques-that-will-change-how-you-see-the-world-1ee19334354b

作者：AI科技大本營

鏈接：http://www.lxweimin.com/p/e3ec3f1ed6fc

來源：簡書

簡書著作權(quán)歸作者所有，任何形式的轉(zhuǎn)載都請聯(lián)系作者獲得授權(quán)并注明出處。