超详细斯坦福CS231n课程笔记（第一课）

课程介绍

1. 概述

计算机视觉：顾名思义，就是针对视觉数据的研究

背景：YouTube每秒有5小时的视频被上传，需要正确分类。

2. 历史

生物视觉：5亿4千年前：动物进化出了眼睛

机器视觉：

• 17世纪文艺复兴时期：小孔成像原理，最初的相机出现

• 50～60年代，Hubel和Wiesel研究猫的视觉系统

• David Marr （麻省理工学院视觉专家）70年代撰写了一本非常有影响力的书

  • 如何理解视觉的
  • 我们应该如何处理计算机视觉开发
  • 如何可以使计算机识别视觉世界的算法

• 80年代David Lowe ，思考如何重建或者识别由简单的物体结构组成的视觉空间

• 开始尝试识别剃须刀，通过线和边缘进行构建，其中大部分都是直线以及直线之间的组合

从60年代到80年代，计算机视觉的任务是什么？要解决物体识别的问题非常难

这时，一个重要的问题出现了，如果目标识别太难了，那么我们首先要做的是目标分割

这个任务就是把一张图片中的像素点归类到有意义的区域

这项工作叫做图像分割，是由Jitendra Malik和他的学生Jianbo Shi完成的，他们用一个图算法对图像进行分割

还有一个另外的问题，也就是面部检测

使用AdaBoost 算法进行实时面部检测，由Paul Viola和Michael Jones完成，这是在计算机芯片还是非常非常慢的2001年完成的

在他们发表论文后的第5年，富士推出第一个能够在数码相机中实现实时面部检测的数码相机。所以这是从基础科学研究到实际应用的一个快速转化

• 90年代末～2000年的前10年：基于特征的目标识别，由David Lowe完成，叫做SIFT特征，思路就是去匹配整个目标

可以得到一些启发：通过观察目标的某些部分、某些特征，它们往往能够在变化中具有表现性和不变性

所以目标识别的首要任务是在目标上确认这些关键的特征

3. 数据集

3.1 PASCAL Visual Object Challenge

这个数据集有20个类别，火车、飞机、人等等

3.2 IMAGE-NET

汇集所有能找到的图片，包含世界万物，组建一个尽可能大的数据集

由将近1500万甚至4000多万的图片，分成22000类的物体或场景，将目标检测算法提升了一个高度

2012年错误率下降了接近10%，那一年的获奖算法是一种卷积神经网络模型

4. 初识卷积神经

卷积模型：

但是大家要了解的是，卷积神经网络并不是在2012年发明的，而是早在1998年，就已经有人提出了卷积神经网络模型，进行数字识别，用于识别手写支票以及邮局识别地址

1998年卷积神经网络为什么没有火了呢？

• 计算能力，由于摩尔定理，计算机的速度每年提升
• 现在拥有了GPU这样的图像处理单元，具有超高的并行计算能力
• 数据，当时没有大量的标签数据

5. 计算机视觉的未来

5.1 视觉基因组

在现实世界中捕捉这些错综复杂的事情，而不仅仅是框定出物体，我们应该描述出图像，不仅包括对象的身份，还要表示出对象之间的关系、属性以及场景中发生的动作等

5.2 描述图片

5.3 理解图片更深的含义

我们现在的计算机视觉算法，仍然有很长的路要走，如果要实现这样真实深刻的图像理解，我认为尽管在这个领域取得了巨大进步，但我们还有很长的一段路要走，对于我来说作为研究人员，我很兴奋，因为我认为，我们有着很多令人兴奋、酷炫的问题，去解决、去前进。