认识计算机视觉

认识计算机视觉：

1. 计算机
2. 视觉
3.生活场景
4. 算法
5. 性能

---

一、计算机
这里的计算机早已不是传统意义上的个人PC机了，而是指所有”有计算能力“的机器，通俗点讲就是带计算芯片的机器

二、视觉
利用摄像头拍摄成像，然后把成像数据送给计算芯片完成计算的能力

三、生活场景
生活中有很多应用计算机视觉的场景：手机人脸识别、小区门禁人脸识别、汽车感知成像等。
很多汽车比如特斯拉，都配置有中控显示屏，上面会实时显示汽车周围的环境和行人，像是一个人从汽车顶上方看到的视角一样，这种图像被称为”鸟瞰图“。
不少汽车都会采用类似的方案来感知周围的环境。由此而来的BEV（Bird-Eye View）神经网络，便是计算机视觉在汽车领域自动驾驶或者辅助驾驶中典型的应用场景。
目前智驾赛道，大都会采用雷达+视觉的方案。雷达像是人的耳朵，采用雷达和视觉方案，也会最大限度的确保汽车行车安全。
当然也有不少人在争论，纯视觉方案，也就是抛弃雷达，整车全部使用摄像头，不让汽车雷达听，到底行不行，我感觉这种方案可能还有待CV算法的进一步成熟。因为一个典型的场景便是：汽车从黑暗的隧道中突然驶出，或者逆光而行时，这种大光斑呈现在图像上，是很容易造成计算机误判从而出现危险的。

四、算法
计算机视觉处理的数据，就是各种各样的图像，所以在计算机视觉领域，图像是原材料，算法是菜谱。
计算机视觉中有很多的算法，包括传统图像处理方法，如高斯滤波、中值滤波等，他们其实和深度学习中的卷积算法有些相似，还有一些做图像分割、二值化的经典算法。比如大津算法，都在传统图像处理中有很不错的应用，无论是哪种算法，都是经过科学巧妙的设计，为了处理某一类特征任务图像而生的。而到了深度学习领域，和传统图像处理一个很明显的区别就是，我们不再需要花心思去设计各种滤波器，设计各种复杂算法了，取而代之的是让神经网络自己去学习这些算法。
多个卷积层或者其他层的非线性叠加，理论上可以拟合任意的非线性函数。这是基于深度学习计算机视觉的灵魂。
因此，如果你想单纯做一个草帽滤波，设定好输出标签，设计一些神经网络层直接去做训练就可以了，等到损失降到最低的时候，你会发现，卷积拟合出来的数值和草帽滤波器竟然很相似。
这也是深度学习的魅力：人们不需要刻意去设计某些算法，而是全部交给神经网络去学习。
我们只需要将神经网络基础的算法学好，比如卷积、全连接、然后设计好的网络结构，它就可以学到你希望它学到的东西。
现在大模型GPT很火，如果让人们去设计这么复杂的算法，几乎是不可能的，但是设计好神经网络之后，然后喂给它足够的数据量做训练，GPU的表现足以让你惊艳。

五、性能
神经网络为什么要做性能优化？
想象一下门禁的人脸识别几秒才能识别出来又或者人脸支付几秒才有响应，相信这是用户无法容忍的，又或者想象自动驾驶识别到前方的障碍物，但是几秒才做出反应，这后果是无法想象的。
极致性能也是判断一个产品好坏的标志，国内无论是云上训练，还是移动端实时推理，很多都是采用了GPU或者其他加速芯片来实现加速计算的。
做性能优化其实不分是视觉网络还是语音网络，很多技术都是通用的，除了与模型本身、算法本身的优化之外，更多的集中在软硬件协同调度这方面。