傳統(tǒng)的計算機視覺系統(tǒng)的主要目標是從圖像中提取特征，包括邊緣檢測、角點檢測、基于顏色的分割等子任務(wù)。傳統(tǒng)特征提取算法的方式有尺度不變特征變換匹配算法（SIFT）、加速魯棒特征算法（SURF）和二進制魯棒獨立基本特征（BRIEF）。根據(jù)輸入圖像的類型和質(zhì)量，不同的算法執(zhí)行的成功程度不同。最終，整個系統(tǒng)的準確性取決于提取特征的方法。

這種方法的主要問題是需要告訴系統(tǒng)在圖像中尋找哪些特性。本質(zhì)上，假設(shè)算法按照設(shè)計者的定義運行，所提取的特征是人為設(shè)計的。在實現(xiàn)中，算法性能差可以通過微調(diào)來解決，但是，這樣的更改需要手工完成，并且針對特定的應(yīng)用程序進行硬編碼，這對高質(zhì)量計算機視覺的實現(xiàn)造成了很大的障礙。

不過，深度學習的出現(xiàn)解決了這一問題。當前，深度學習系統(tǒng)在處理一些相關(guān)子任務(wù)方面取得了重大進展。深度學習最大的不同之處在于，它不再通過精心編程的算法來搜索特定特征，而是訓練深度學習系統(tǒng)內(nèi)的神經(jīng)網(wǎng)絡(luò)。隨著深度學習系統(tǒng)提供的計算能力的增強，計算機將能夠識別并對它所看到的一切做出反應(yīng)，這一點已經(jīng)有了顯著的進展。在本文中，您將看到深度學習在計算機視覺分析中的5個應(yīng)用。

1、圖像分類

圖像分類是為圖像指定標簽的任務(wù)。當圖像中有單個類并且在圖像中清晰可見時，這非常有用。例如，一張照片會被歸類為白天或夜間拍攝。此外，在交通領(lǐng)域，圖像分類可用于檢測汽車是否處于停車位，即停車位是否被占用。

2、帶定位的圖像分類

帶定位的圖像分類是一個更具挑戰(zhàn)性的圖像分類任務(wù)。這涉及到為圖像分配類標簽并通過邊界框，即在對象周圍繪制框，來顯示圖像中對象的位置。

在負責車輛識別的系統(tǒng)中，這一過程是必要的步驟。對于一個瀏覽汽車圖片的自動系統(tǒng)來說，當場景中只包含一輛汽車，該系統(tǒng)一旦確定了車輛的位置，就可以識別諸如品牌、型號和顏色等屬性。當圖片中有未知數(shù)量的物體時，這項任務(wù)就會變得困難。在大多數(shù)照片中，特別是在公共場所拍攝的照片中，會有很多可能性，比如不同的人、車輛、樹木等，這種情況就變成了目標檢測問題。

3、目標檢測

目標檢測適用于包含多個對象的圖片，是一個重要的研究領(lǐng)域。例如，用于機器人和自動駕駛汽車的計算機視覺系統(tǒng)會面對非常復雜的圖像。毫無疑問，定位和識別每一個物體無疑將是它們實現(xiàn)自動化的關(guān)鍵部分。

4、圖像重建

圖像重建是重建圖像缺失或損壞部分的任務(wù)。該任務(wù)可以被認為是一種沒有客觀評價的照片濾波器或變換。雖然，這確實有可能保證圖像的可見屬性能夠緊密匹配，但是要求計算機重新創(chuàng)建沒有參考的細節(jié)顯然是不合理的。因此，圖像重建系統(tǒng)有很大的局限性，很大程度上取決于有多少原始圖像可供學習。

一種用于圖像重建的模型被稱為像素遞歸神經(jīng)網(wǎng)絡(luò)。這是一個利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）來預(yù)測圖像在二維空間中缺失像素的系統(tǒng)。圖像重建應(yīng)用的例子有照片的恢復或黑白電影。在自動駕駛汽車中，圖像重建可以用來觀察小型障礙物，比如車輛與被跟蹤行人之間的路標。

5、目標跟蹤

計算機視覺的一個重要目標是能夠識別一段時間內(nèi)發(fā)生的事件。目標跟蹤就是這樣一個例子，目標是在圖像或視頻中跟蹤特定對象。目標跟蹤對幾乎所有包含多個圖像的計算機視覺系統(tǒng)都很重要。例如，在足球訓練中，通過目標跟蹤可以得到每個球員的時序位置信息，通過研究其體能和戰(zhàn)術(shù)特點，進行科學的訓練。

寫在最后：

近年來，深度學習的發(fā)展不僅突破了很多難以解決的視覺難題，提升了對于圖像認知的水平，更是加速了計算機視覺領(lǐng)域相關(guān)技術(shù)的進步。相信，隨著深度學習模型的改進和計算能力的不斷提升，自主系統(tǒng)能夠繼續(xù)穩(wěn)步發(fā)展，真正實現(xiàn)可以解釋和反應(yīng)它們所感知到的東西。

返回列表