計(jì)算機(jī)視覺(jué)領(lǐng)域正在從統(tǒng)計(jì)方法轉(zhuǎn)向深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法。

計(jì)算機(jī)視覺(jué)中仍有許多具有挑戰(zhàn)性的問(wèn)題需要解決。然而，深度學(xué)習(xí)方法正在針對(duì)某些特定問(wèn)題取得最新成果。

在最基本的問(wèn)題上，最有趣的不僅僅是深度學(xué)習(xí)模型的表現(xiàn);事實(shí)上，單個(gè)模型可以從圖像中學(xué)習(xí)意義并執(zhí)行視覺(jué)任務(wù)，從而無(wú)需使用專門(mén)的手工制作方法。

在這篇文章中，您將發(fā)現(xiàn)九個(gè)有趣的計(jì)算機(jī)視覺(jué)任務(wù)，其中深度學(xué)習(xí)方法取得了一些進(jìn)展。

讓我們開(kāi)始吧。

概觀

在這篇文章中，我們將研究以下使用深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)問(wèn)題：

圖像分類

具有本地化的圖像分類

物體檢測(cè)

對(duì)象分割

圖像樣式轉(zhuǎn)移

圖像著色

影像重建

圖像超分辨率

圖像合成

其他問(wèn)題

注意，當(dāng)涉及圖像分類（識(shí)別）任務(wù)時(shí)，已采用ILSVRC的命名約定。雖然任務(wù)集中在圖像上，但它們可以推廣到視頻幀。

我試圖關(guān)注您可能感興趣的最終用戶問(wèn)題的類型，而不是深度學(xué)習(xí)能夠做得更好的學(xué)術(shù)問(wèn)題。

每個(gè)示例都提供了問(wèn)題的描述，示例以及對(duì)演示方法和結(jié)果的論文的引用。

圖像分類

圖像分類涉及為整個(gè)圖像或照片分配標(biāo)簽。

該問(wèn)題也被稱為“對(duì)象分類”，并且可能更一般地稱為“圖像識(shí)別”，盡管后一任務(wù)可以應(yīng)用于與分類圖像內(nèi)容相關(guān)的更廣泛的任務(wù)集。

圖像分類的一些示例包括：

1、將X射線標(biāo)記為癌癥與否（二元分類）。

2、對(duì)手寫(xiě)數(shù)字進(jìn)行分類（多類分類）。

3、為臉部照片指定名稱（多類別分類）。

用作基準(zhǔn)問(wèn)題的圖像分類的流行示例是MNIST數(shù)據(jù)集。

分類數(shù)字照片的流行真實(shí)版本是街景房號(hào)（SVHN）數(shù)據(jù)集。

有許多圖像分類任務(wù)涉及對(duì)象的照片。兩個(gè)流行的例子包括CIFAR-10和CIFAR-100數(shù)據(jù)集，這些數(shù)據(jù)集的照片分別分為10類和100類。

大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽（ILSVRC）是一項(xiàng)年度競(jìng)賽，其中團(tuán)隊(duì)在從ImageNet數(shù)據(jù)庫(kù)中提取的數(shù)據(jù)上競(jìng)爭(zhēng)一系列計(jì)算機(jī)視覺(jué)任務(wù)的最佳性能。圖像分類方面的許多重要進(jìn)步來(lái)自于發(fā)布在該挑戰(zhàn)或來(lái)自該挑戰(zhàn)的任務(wù)的論文，最值得注意的是關(guān)于圖像分類任務(wù)的早期論文。例如：

使用深度卷積神經(jīng)網(wǎng)絡(luò)的ImageNet分類，2012。

用于大規(guī)模圖像識(shí)別的非常深的卷積網(wǎng)絡(luò)，2014。

圍繞卷積更深入，2015年。

圖像識(shí)別的深度殘留學(xué)習(xí)，2015年。

具有本地化的圖像分類

具有本地化的圖像分類涉及為圖像分配類標(biāo)簽并通過(guò)邊界框（在對(duì)象周圍繪制框）來(lái)顯示圖像中對(duì)象的位置。

這是一個(gè)更具挑戰(zhàn)性的圖像分類版本。

本地化圖像分類的一些示例包括：

1.將X射線標(biāo)記為癌癥或在癌癥區(qū)域周圍畫(huà)一個(gè)盒子。

2.在每個(gè)場(chǎng)景中對(duì)動(dòng)物的照片進(jìn)行分類并在動(dòng)物周圍畫(huà)一個(gè)盒子。

用于具有定位的圖像分類的經(jīng)典數(shù)據(jù)集是PASCAL視覺(jué)對(duì)象類數(shù)據(jù)集，或簡(jiǎn)稱為PASCAL VOC（例如VOC 2012）。這些是多年來(lái)在計(jì)算機(jī)視覺(jué)挑戰(zhàn)中使用的數(shù)據(jù)集。

該任務(wù)可以涉及在圖像中的同一對(duì)象的多個(gè)示例周圍添加邊界框。因此，該任務(wù)有時(shí)可稱為“對(duì)象檢測(cè)”。

用于本地化圖像分類的ILSVRC2016數(shù)據(jù)集是一個(gè)流行的數(shù)據(jù)集，包含150,000張照片和1000種對(duì)象。

關(guān)于本地化圖像分類的論文的一些例子包括：

選擇性搜索對(duì)象識(shí)別，2013年。

用于精確對(duì)象檢測(cè)和語(yǔ)義分割的豐富特征層次結(jié)構(gòu)，2014年。

快速R-CNN，2015年。

物體檢測(cè)

物體檢測(cè)是具有定位的圖像分類的任務(wù)，盡管圖像可能包含需要定位和分類的多個(gè)對(duì)象。

與簡(jiǎn)單的圖像分類或具有定位的圖像分類相比，這是一項(xiàng)更具挑戰(zhàn)性的任務(wù)，因?yàn)樵诓煌愋偷膱D像中通常存在多個(gè)對(duì)象。

通常，使用并展示用于具有定位的圖像分類的技術(shù)用于對(duì)象檢測(cè)。

對(duì)象檢測(cè)的一些示例包括：

繪制邊界框并標(biāo)記街道場(chǎng)景中的每個(gè)對(duì)象。

繪制邊界框并在室內(nèi)照片中標(biāo)記每個(gè)對(duì)象。

繪制邊界框并在橫向中標(biāo)記每個(gè)對(duì)象。

PASCAL Visual Object Classes數(shù)據(jù)集或簡(jiǎn)稱PASCAL VOC（例如VOC 2012）是用于對(duì)象檢測(cè)的常見(jiàn)數(shù)據(jù)集。

用于多個(gè)計(jì)算機(jī)視覺(jué)任務(wù)的另一個(gè)數(shù)據(jù)集是Microsoft的上下文數(shù)據(jù)集中的公共對(duì)象，通常稱為MS COCO。

關(guān)于物體檢測(cè)的論文的一些例子包括：

OverFeat：使用卷積網(wǎng)絡(luò)的集成識(shí)別，本地化和檢測(cè)，2014年。

更快的R-CNN：利用區(qū)域提案網(wǎng)絡(luò)實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)，2015年。

您只看一次：統(tǒng)一，實(shí)時(shí)對(duì)象檢測(cè)，2015年。

對(duì)象分割

對(duì)象分割或語(yǔ)義分割是對(duì)象檢測(cè)的任務(wù)，其中在圖像中檢測(cè)到的每個(gè)對(duì)象周圍繪制線。圖像分割是將圖像分成段的更普遍的問(wèn)題。

對(duì)象檢測(cè)有時(shí)也稱為對(duì)象分割。

與涉及使用邊界框來(lái)識(shí)別對(duì)象的對(duì)象檢測(cè)不同，對(duì)象分割識(shí)別圖像中屬于對(duì)象的特定像素。這就像一個(gè)細(xì)粒度的本地化。

更一般地，“圖像分割”可以指將圖像中的所有像素分割成不同類別的對(duì)象。

同樣，VOC 2012和MS COCO數(shù)據(jù)集可用于對(duì)象分割。

KITTI Vision Benchmark Suite是另一種流行的對(duì)象分割數(shù)據(jù)集，提供用于自動(dòng)駕駛車輛訓(xùn)練模型的街道圖像。

關(guān)于對(duì)象分割的一些示例論文包括：

同步檢測(cè)和分割，2014年。

用于語(yǔ)義分割的完全卷積網(wǎng)絡(luò)，2015。

用于對(duì)象分割和細(xì)粒度本地化的超級(jí)列，2015。

SegNet：用于圖像分割的深度卷積編碼器 - 解碼器架構(gòu)，2016。

Mask R-CNN，2017年。

風(fēng)格轉(zhuǎn)移

風(fēng)格轉(zhuǎn)移或神經(jīng)風(fēng)格轉(zhuǎn)移是從一個(gè)或多個(gè)圖像學(xué)習(xí)風(fēng)格并將該風(fēng)格應(yīng)用于新圖像的任務(wù)。

該任務(wù)可以被認(rèn)為是一種可能沒(méi)有客觀評(píng)價(jià)的照片濾波器或變換。

例子包括將特定著名藝術(shù)品（例如Pablo Picasso或Vincent van Gogh）的風(fēng)格應(yīng)用于新照片。

數(shù)據(jù)集通常涉及使用公共領(lǐng)域的著名藝術(shù)作品和標(biāo)準(zhǔn)計(jì)算機(jī)視覺(jué)數(shù)據(jù)集中的照片。

一些論文包括：

藝術(shù)風(fēng)格的神經(jīng)算法，2015。

使用卷積神經(jīng)網(wǎng)絡(luò)的圖像樣式轉(zhuǎn)移，2016。

圖像著色

圖像著色或神經(jīng)著色涉及將灰度圖像轉(zhuǎn)換為全色圖像。

該任務(wù)可以被認(rèn)為是一種可能沒(méi)有客觀評(píng)價(jià)的照片濾波器或變換。

例子包括著色舊的黑白照片和電影。

數(shù)據(jù)集通常涉及使用現(xiàn)有的照片數(shù)據(jù)集并創(chuàng)建模型必須學(xué)習(xí)著色的照片的灰度版本。

一些論文包括：

彩色圖像著色，2016年。

讓我們有顏色：全球和本地圖像的聯(lián)合端到端學(xué)習(xí)，用于同步分類的自動(dòng)圖像著色，2016。

深色著色，2016。

影像重建

圖像重建和圖像修復(fù)是填充圖像的缺失或損壞部分的任務(wù)。

該任務(wù)可以被認(rèn)為是一種可能沒(méi)有客觀評(píng)價(jià)的照片濾波器或變換。

示例包括重建舊的，損壞的黑白照片和電影（例如照片恢復(fù)）。

數(shù)據(jù)集通常涉及使用現(xiàn)有的照片數(shù)據(jù)集并創(chuàng)建模型必須學(xué)會(huì)修復(fù)的損壞版本的照片。

一些論文包括：

像素回歸神經(jīng)網(wǎng)絡(luò)，2016年。

使用部分卷積的圖像修復(fù)不規(guī)則孔，2018年。

使用具有帶通濾波的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行高度可擴(kuò)展的圖像重建，2018年。

圖像超分辨率

圖像超分辨率是生成具有比原始圖像更高分辨率和細(xì)節(jié)的圖像的新版本的任務(wù)。

通常為圖像超分辨率開(kāi)發(fā)的模型可用于圖像恢復(fù)和修復(fù)，因?yàn)樗鼈兘鉀Q了相關(guān)問(wèn)題。

數(shù)據(jù)集通常涉及使用現(xiàn)有的照片數(shù)據(jù)集并創(chuàng)建縮小版照片，模型必須學(xué)會(huì)創(chuàng)建超分辨率版本。

一些論文包括：

使用生成對(duì)抗網(wǎng)絡(luò)的照片真實(shí)單圖像超分辨率，2017。

深拉普拉斯金字塔網(wǎng)絡(luò)，快速準(zhǔn)確的超分辨率，2017。

Deep Image Prior，2017。

圖像合成

圖像合成是生成現(xiàn)有圖像或全新圖像的目標(biāo)修改的任務(wù)。

這是一個(gè)非常廣泛的領(lǐng)域，正在迅速發(fā)展。

它可能包括圖像和視頻的小修改（例如圖像到圖像的翻譯），例如：

更改場(chǎng)景中對(duì)象的樣式。

將對(duì)象添加到場(chǎng)景中。

將面添加到場(chǎng)景中。

它還可能包括生成全新的圖像，例如：

1、生成面孔。

2、生成浴室。

3、生成衣服。

一些論文包括：

用深度卷積生成對(duì)抗網(wǎng)絡(luò)學(xué)習(xí)無(wú)監(jiān)督表示，2015。

使用PixelCNN解碼器生成條件圖像，2016。

使用周期一致的對(duì)抗網(wǎng)絡(luò)進(jìn)行不成對(duì)的圖像到圖像轉(zhuǎn)換，2017。

其他問(wèn)題

還有其他重要且有趣的問(wèn)題我沒(méi)有涉及，因?yàn)樗鼈儾皇羌兇獾挠?jì)算機(jī)視覺(jué)任務(wù)。

值得注意的例子是圖像到文本和文本到圖像：

1、圖像字幕：生成圖像的文本描述。

Show and Tell：神經(jīng)圖像標(biāo)題生成器，2014。

2、圖像描述：生成圖像中每個(gè)對(duì)象的文本描述。

用于生成圖像描述的深層視覺(jué)語(yǔ)義對(duì)齊，2015。

3、文本到圖像：基于文本描述合成圖像。

AttnGAN：使用注意生成對(duì)抗網(wǎng)絡(luò)生成細(xì)粒度文本到圖像，2017。

據(jù)推測(cè)，人們學(xué)會(huì)在其他模態(tài)和圖像之間進(jìn)行映射，例如音頻。

總結(jié)

在這篇文章中，您發(fā)現(xiàn)了九種深度學(xué)習(xí)應(yīng)用于計(jì)算機(jī)視覺(jué)任務(wù)。

編輯：黃飛

?