计算机视觉

Computer Vision 计算机视觉是人工智能的一个重要分支，研究如何让计算机“看懂”图片、视频或其他视觉输入，并进行理解、分析与决策。

让计算机拥有类似于人类视觉系统的能力，从静态图像或动态视频中“看到”、“感知”、“理解”世界。

视觉是最重要的感觉器官

目标和任务

1. 感知（Perception）：捕获图像、视频（用摄像头、传感器等）， 预处理（去噪、增强、标准化）
2. 理解（Understanding）：识别物体、场景、行为；理解图像内容中的语义信息
3. 推断（Inference）：根据视觉信息推测物体状态、动作趋势，进行预测、决策

任务	说明	举例
图像分类（Image Classification）	判断一张图属于哪个类别	这张图是“猫”还是“狗”？
目标检测（Object Detection）	找出图中所有感兴趣的物体及其位置（用框标记）	在照片中找出所有行人、车、红绿灯的位置
语义分割（Semantic Segmentation）	为图像中的每个像素分类	把马路、人行道、车、树分区域上色
实例分割（Instance Segmentation）	不仅分类，还区分同类别的不同个体	不只知道有3只狗，还区分出第1只、第2只
姿态估计（Pose Estimation）	估计物体/人体关键点的位置	比如检测一个人在跳舞时的骨骼节点位置
三维重建（3D Reconstruction）	从二维图像恢复出三维场景结构	用照片还原房间的立体模型
视频分析（Video Analysis）	分析连续帧之间的变化，检测动作、事件	监控视频中检测异常行为

核心技术

1. 特征提取（Feature Extraction） 传统方法：SIFT, SURF, HOG 等手工设计特征，目的是把原始像素变成“有意义的”数据表示

2. 深度学习（Deep Learning） 尤其是卷积神经网络（CNN），彻底改变了计算机视觉。 自动学习图像的特征，不再依赖人工经验。 著名网络：AlexNet、VGG、ResNet、YOLO、Mask R-CNN 等。

3. 数据集和标注（Datasets and Labeling） 需要大量高质量的数据来训练模型。 经典数据集：ImageNet（分类）、COCO（检测、分割）、Cityscapes（城市场景理解）等。

4. 增强技术（Data Augmentation） 通过旋转、缩放、裁剪、加噪声等方法扩充训练数据。 帮助提高模型泛化能力。

5. 自监督学习（Self-Supervised Learning） 让模型自己挖掘数据中的结构，不依赖大量人工标注。 未来发展的重要方向。

图像 机器学习和深度学习（Machine Learning and Deep Learning）：利用算法提高计算机视觉任务的性能，如卷积神经网络（Convolutional Neural Networks, CNNs）。

阶段	特点	代表技术
1960s-1980s	早期探索，基于符号处理，关注低级视觉	边缘检测（Canny）、模板匹配
1990s-2000s	机器学习引入，支持向量机（SVM）等用于图像识别	特征工程（SIFT, HOG）
2012之后	深度学习爆发，卷积神经网络成主流	AlexNet，ResNet，YOLO
2020s	自监督学习、Transformer在CV中兴起	Vision Transformer（ViT），Segment Anything