AI视觉发展史

最新推荐文章于 2025-04-28 18:22:34 发布

C6666888

最新推荐文章于 2025-04-28 18:22:34 发布

阅读量986

点赞数 30

分类专栏： AI视觉文章标签：人工智能机器学习计算机视觉

本文链接：https://blog.csdn.net/C6666888/article/details/145795279

版权

AI视觉专栏收录该内容

12 篇文章

订阅专栏

技术演进的核心阶段

传统图像处理阶段(20世纪60-90年代)

基础技术：早期以滤波、边缘检测、图像增强等算法为主，通过数值计算改善图像质量，但依赖人工特征提取，难以应对复杂场景。
理论框架：Marry提出的视觉计算理论将市局也分为三个阶段：

事件描述
早期视觉提取表面物理特性(如边缘检测、立体匹配)
二维半简图描述观察者为中心的可见表面特性
三维模型构建与视角无关的三维物体结构

事件	描述
早期视觉	提取表面物理特性(如边缘检测、立体匹配)
二维半简图	描述观察者为中心的可见表面特性
三维模型	构建与视角无关的三维物体结构

它解释是反映人脑视觉感知里面中间的这一层，比较早期的视觉感知，实际上大家可以理解为视觉系统所生成的中间结果，其实并没有什么X用（-_-b）。它是一个对于视觉场景来说的一些中间结果。这些结果必须得存在，但是又没有直接带来我们所谓的理解和识别，所以做视觉的人就形成了“Early 、Vision”这么一个中间的形态。 Early vision的内容主要包含图象分割、边缘求取，运动和深度的估计这些方面。

二维半简图 (2½D sketch) 包含景物表面的信息,可以把它看做某些内在特性的混合信息。二维半简图清楚地表示物体表面方向的信息。物体表面法线从物体内部穿出来,使物体好像穿刺满了针一样。有时,这种二维半简图又称为指针图,或简称针图 (needle diagram)。此外,二维 半简图还包含从观察者到图像各部分的距离。下方图

三维模型是物体的多边形表示，通常用计算机或者其它视频设备进行显示。显示的物体可以是现实世界的实体，也可以是虚构的物体。任何物理自然界存在的东西都可以用三维模型表示。

机器学习赋能阶段(2000-2010年底)

1. 算法应用：支持向量机(SVM)、随机森林等传统机器学习方法被引入图像分类、目标检测任务，但依然需要手动设计特征。
2. 初步智能化：如2006年的The Painting Fool通过颜色提取进行绘画，虽然智能水平优先，但开启了自动化视觉处理的新思路。

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。

SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2]。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。

SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用。

随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而 "Random Forests" 是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合 Breimans 的 "Bootstrap aggregating" 想法和 Ho 的"random subspace method"以建造决策树的集合。

2006年，The Painting Fool 能够基于模拟物理绘画的过程，通过看数码照片，熟练地提取区域块的颜色，然后模拟自然介质比如油漆、粉彩和铅笔等进行创作。 2007年，机器视觉软件学会了识别人们的情绪，并根据情绪的变化来描绘肖像，因为这项改进，The Painting Fool 赢得了英国计算机协会的机器智能奖。 2011年，3D 建模能力开发成功，使 AI 艺术再次令人们震动。

深度学习革命阶段(2010年代至今)

技术突破：卷积神经网络(CNN)等模型实现端到端的特征学习，显著提升图像识别精度；生成对抗网络(GAN)推动了图像生成与分析的边界。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2]。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
多模态融合：
OpenAI的CLIP模型通过40亿级文本-图像数据训练，实现跨模态理解，成为AI视觉与自然语言结合的里程碑。
DeepSeek通过低成本技术架构、开源生态、行业深度适配及绿色能源协同，构建了差异化的竞争优势。
三维视觉深化：如奥比中光的3D视觉感知技术，结合深度学习优化机器人导航与工业检测，成为产业升级的核心工具。

美国人工智能研究公司OpenAI，是一家开放人工智能研究和部署公司，其使命是确保通用人工智能造福全人类。创立于2015年12月，总部位于美国旧金山。现由营利性公司OpenAI LP及非营利性母公司OpenAI Inc组成。

DeepSeek，全称杭州深度求索人工智能基础技术研究有限公司 [40]。DeepSeek是一家创新型科技公司 [3]，成立于2023年7月17日，使用数据蒸馏技术，得到更为精炼、有用的数据。由知名私募巨头幻方量化孕育而生，专注于开发先进的大语言模型（LLM）和相关技术。经营范围包括技术服务、技术开发、软件开发等。

DaBai Max Pro是Orbbec DaBai@系列的大广角双目结构光深度相机，提供0.2m~2.5m的探测距离，深度图像分辨率最高可达640*320，1m处深度精度可达12mm，运行平均功耗低于2.5W,搭配高分辨率的RGB模组可适配客户各种场景下的识别需求，产品适用于机器人避障和识别应用。