近年來，人工智能快速發(fā)展，讓人工智能像人一樣的思考，是許多研究者們追求的目標(biāo)。為此，人們開發(fā)出計(jì)算機(jī)視覺技術(shù)，使計(jì)算機(jī)更好的理解周圍的世界。

計(jì)算機(jī)視覺是指創(chuàng)建數(shù)字系統(tǒng)，以與人類相同的方式處理、分析和理解視覺數(shù)據(jù)（圖像或視頻）。從技術(shù)上講，機(jī)器試圖通過特殊的軟件算法檢索視覺信息、處理信息并解釋結(jié)果，以便于根據(jù)這些信息采取行動(dòng)或提出建議。它賦予了計(jì)算機(jī)發(fā)現(xiàn)、觀察和理解的能力，為后續(xù)人工智能的計(jì)算與思考提供基礎(chǔ)。

目前，計(jì)算機(jī)視覺已被廣泛應(yīng)用于自動(dòng)駕駛、目標(biāo)檢測、圖像分割、人臉識別、圖像分類等多個(gè)領(lǐng)域。

理論基礎(chǔ)：

計(jì)算機(jī)視覺技術(shù)是一種典型的交叉學(xué)科研究領(lǐng)域，包含了生物、心理，物理，工程，數(shù)學(xué)，計(jì)算機(jī)科學(xué)等領(lǐng)域，存在與其他許多學(xué)科或研究方向之間相互滲透、相互支撐的關(guān)系。隨著生物科學(xué)與其他學(xué)科的蓬勃發(fā)展，計(jì)算機(jī)視覺也得到了有效的理論支持。

計(jì)算機(jī)視覺技術(shù)傾向于模仿人腦的工作方式。不同的是人眼看到的是彩色圖像，而計(jì)算機(jī)“看到”的是二位數(shù)據(jù)矩陣。過去，人們認(rèn)為大腦的神經(jīng)計(jì)算和計(jì)算機(jī)的數(shù)值計(jì)算沒有本質(zhì)區(qū)別，而從現(xiàn)在神經(jīng)科學(xué)的進(jìn)展看，“神經(jīng)計(jì)算”與數(shù)值計(jì)算在有些情況下還是會產(chǎn)生本質(zhì)區(qū)別。

計(jì)算機(jī)學(xué)習(xí)對輸入的數(shù)據(jù)進(jìn)行分析，直到識別出差異并最終識別圖像。如果通過模型輸入了足夠的數(shù)據(jù)，計(jì)算機(jī)將“查看”數(shù)據(jù)并自學(xué)如何區(qū)分圖像。

深度學(xué)習(xí)：

對計(jì)算機(jī)視覺進(jìn)行訓(xùn)練的過程會用到兩種關(guān)鍵技術(shù)：一種是機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)，另一種是卷積神經(jīng)網(wǎng)絡(luò) (CNN)。

深度學(xué)習(xí)來自于傳統(tǒng)的機(jī)器學(xué)習(xí)方法－神經(jīng)網(wǎng)絡(luò)，即Neural Network?？茖W(xué)家們從生物神經(jīng)網(wǎng)絡(luò)的運(yùn)作機(jī)制得到啟發(fā)，構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)（ANN）由節(jié)點(diǎn)層組成，包括輸入層、一個(gè)或多個(gè)隱藏層和輸出層。每個(gè)節(jié)點(diǎn)連接到另一個(gè)節(jié)點(diǎn)，并具有相關(guān)的權(quán)重和閾值。如果任何單個(gè)節(jié)點(diǎn)的輸出高于指定的閾值，則激活該節(jié)點(diǎn)，將數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)的下一層。否則，該節(jié)點(diǎn)不會將數(shù)據(jù)傳遞到網(wǎng)絡(luò)的下一層。

深度學(xué)習(xí)中的“深度”則是指神經(jīng)網(wǎng)絡(luò)中的層數(shù)。包含輸入和輸出的三層以上的神經(jīng)網(wǎng)絡(luò)可以被認(rèn)為是深度學(xué)習(xí)算法或深度神經(jīng)網(wǎng)絡(luò)。只有三層的神經(jīng)網(wǎng)絡(luò)只是一個(gè)基本的神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)因?yàn)橛?xùn)練速度慢、容易過擬合、經(jīng)常出現(xiàn)梯度消失以及等情況，效果并不比其他算法更優(yōu)，實(shí)際應(yīng)用的很少。加入更多隱藏層的深度學(xué)習(xí)網(wǎng)絡(luò)可以實(shí)現(xiàn)更加復(fù)雜的運(yùn)算和邏輯處理，效果也會更好。

深度學(xué)習(xí)的另一大優(yōu)勢就是，深度學(xué)習(xí)可進(jìn)行自監(jiān)督學(xué)習(xí)，可成熟地處理大量的未標(biāo)記數(shù)據(jù)。如果將人的眼睛比作照相機(jī)，那么人眼平均每200ms就會拍攝一張照片，三年的時(shí)間就可以積攢上億張真實(shí)世界照片，巨大的數(shù)據(jù)庫使人腦有充足的經(jīng)驗(yàn)進(jìn)行圖像處理。而使計(jì)算機(jī)達(dá)到這個(gè)訓(xùn)練量是十分困難的，而這時(shí)自監(jiān)督學(xué)習(xí)的優(yōu)勢便得以體現(xiàn)。自監(jiān)督學(xué)習(xí)可再無標(biāo)記的情況下進(jìn)行訓(xùn)練，相比傳統(tǒng)模式效率更更高，投入更少。

卷積神經(jīng)網(wǎng)絡(luò)：

在深度學(xué)習(xí)中，當(dāng)人們加入更多的隱藏層時(shí)，如果對所有層同時(shí)訓(xùn)練，計(jì)算量太大，根本無法訓(xùn)練。如果每次訓(xùn)練一層，偏差就會逐層傳遞，最終訓(xùn)練出來的結(jié)果會嚴(yán)重欠擬合。因此，需要一個(gè)更合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來有效處理圖片數(shù)據(jù)。隨著數(shù)值計(jì)算效率得到巨大提升，卷積神經(jīng)網(wǎng)絡(luò)（CNN）處理數(shù)字圖像數(shù)據(jù)的巨大潛能被充分發(fā)現(xiàn)挖掘。

動(dòng)物是視覺處理總是從簡單的結(jié)構(gòu)開始，例如硬線條或者邊緣，而這一原則成為了計(jì)算機(jī)視覺背后的核心原則。就像人類辨別遠(yuǎn)距離的圖像一樣，CNN構(gòu)造多層的神經(jīng)網(wǎng)絡(luò)，從較低層的識別初級的圖像特征開始，以若干底層特征組成更上一層特征，最終通過多個(gè)層級的組合，最終在頂層做出分類。

CNN網(wǎng)絡(luò)結(jié)構(gòu)基本是由卷積層、池化層以及全連接層組成。其中，卷積層被認(rèn)為是提取圖像特征的主要部件，卷積層不會一次性解析所有訓(xùn)練數(shù)據(jù)，而是創(chuàng)建滑動(dòng)窗口對圖片進(jìn)行掃描。通過卷積核與圖像像素矩陣進(jìn)行卷積運(yùn)算輸入數(shù)據(jù)被送入卷積層。每個(gè)節(jié)點(diǎn)只需要處理離自己最近的鄰近節(jié)點(diǎn)，卷積層也隨著掃描的深入而趨于收縮。?

從圖中可以看到，輸入圖像送入卷積神經(jīng)網(wǎng)絡(luò)中，通過卷積層進(jìn)行特征提取，之后通過池化層過濾細(xì)節(jié)（一般采用最大值池化、平均池化），最后在全連接層進(jìn)行特征展開，送入相應(yīng)的分類器得到其分類結(jié)果。

結(jié)語：

計(jì)算機(jī)視覺在今年來蓬勃發(fā)展，并廣泛用于許多行業(yè)，是人機(jī)交互，人工智能等許多領(lǐng)域的技術(shù)基礎(chǔ)。但受制于數(shù)據(jù)庫數(shù)量，計(jì)算量等限制，仍未能達(dá)到人眼識別水平。在這一領(lǐng)域，仍有極大的潛力等待技術(shù)人員挖掘。

本文參考：

https://www.ibm.com/topics/computer-vision

https://easyai.tech/ai-definition/computer-vision/

https://blog.csdn.net/daliying_/article/details/80165393

https://hackernoon.com/a-brief-history-of-computer-vision-and-convolutional-neural-networks-8fe8aacc79f3

https://www.forbes.com/sites/bernardmarr/2019/04/08/7-amazing-examples-of-computer-and-machine-vision-in-practice/#3e12a0fe1018

https://www.ted.com/talk

編輯：黃飛

?