目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】计算机视觉（补充篇）

目录

前言

几个高频面试题目

计算机视觉与图像处理、模式识别、机器学习学科之间的关系

计算机视觉学习路线

知识储备

计算机视觉中常用的OpenCV函数

  改变色彩空间

  影像旋转

  图片翻译

  自适应阈值

  图像分割（分水岭算法）

  换位运算

  边缘检测

  图像过滤

  尺度不变特征变换（SIFT）

  人脸检测

算法原理

计算机视觉中的主动学习（Active Learning）

1. 什么是Active Learning?

2. 不同的Active learning方法

3. 在Active Learning中利用embedding

4. 我们可以利用active learning做什么？

5. Active Learning Algorithms的简单Implement

6. Active Learning的应用场景

​计算机视觉深度学习训练推理框架

1训练框架

2推理框架

---

前言

近年来，随着可用于面部识别或自动驾驶系统等对象识别任务的深度学习算法的发展，计算机视觉得到了显著发展。卷积神经网络 (CNN) 的使用使研究人员能够开发强大的模型，即使使用少量训练数据也能准确识别图像——这一过程称为迁移学习。与支持向量机或决策树等传统机器学习方法相比，这进一步提高了其准确性和性能水平。

计算机视觉的应用范围广泛而多样：

• 医学诊断工具，如 X 射线成像分析软件

• 安全措施，例如生物特征认证系统

• 通过机器人手臂控制程序实现工业自动化

• 娱乐技术，如增强现实游戏或零售店的虚拟试衣间

所有这些都严重依赖计算机视觉技术！

此外，许多公司使用此技术通过使用图像处理技术（例如文本检测/识别和光学字符读取(OCR)）来自动化其业务流程。这些自动化解决方案有助于降低成本，同时提高全球多个行业的效率。
 

几个高频面试题目