关于图像特征【待续】

梳理框架，仅供参考

一、CV五大任务

检测、跟踪、分割、分类、生成

二、特征

是CV任务的基础，借助于特征才可实现目标跟踪、实例分割、图像字幕、动作识别、场景理解等任务。

以特征反映信息程度 为分类依据，特征可以分为三大类：基于底层视觉特征、基于中层视觉表达以及基于高层视觉信息。

直接提取图像的光谱、纹理、结构信息的特征为底层视觉特征；

对提取的底层场景特征进行编码，进一步提取更具判别能力的特征为中层视觉特征；

利用深度网络模型提取的抽象语义信息为高层视觉特征 （深度语义特征）。

三、细微特征检测

3.1 细微特征检测

3.1.1 针对检测功能的改进

3.1.2 针对上下文信息的整合

3.2 通用目标检测

3.2.1 特征图改进

3.2.2 前后景分布不平衡检测分类

3.3 深度域自适应对象检测

3.3.1 基于差异

3.3.2 基于对抗性

3.3.3 混合

3.4 对象检测趋势化方法

3.4.1 多尺度特征学习

3.4.2 数据增强

3.4.3 基于GAN

四、算法分类

4.1 传统机器学习方法

4.1.1 线性

无监督，有监督，半监督（自监督…）

4.1.2 非线性

核方法、流形学习（无监督、有监督、半监督）

4.2 深度学习方法

4.2.1 CNN

① CNN初期（AlexNet、VGG系列）

② CNN突破期（Inception_Net、ResNet）

③ CNN多样期（训练数据不足的解决方案、优化结构）

五、图像特征和点云特征