探讨深度学习概论（CS231n课程笔记）

  最近在学习斯坦福李飞飞cs231n计算机视觉的课程，总感觉学的不够深入，学习时的困惑在网上也很难找到答案，就写个笔记，一方面方便自己学习，另一方面也能跟大家探讨学习心得，解决困惑，从零开始深度学习，持续更新！

1. 引言：什么是计算机视觉？

1.1 计算机视觉的定义

计算机视觉（Computer Vision） 是一个多学科领域，涉及计算机科学、数学、统计学和认知科学的交叉。其核心目标是赋予计算机理解和解释视觉数据（如图像和视频）的能力。这意味着，计算机不仅要能够“看到”图像，还要能够“理解”图像中的内容，并作出相应的决策。

深入思考：计算机视觉与人类视觉的区别

• 信息处理方式：人类视觉系统处理图像的方式非常高效，能够在毫秒内识别物体、理解场景。然而，计算机视觉通常需要通过大量的计算资源来处理相同的任务。这是因为计算机视觉依赖于对像素级数据的分析，而人类视觉更多依赖于认知过程和大脑的复杂神经网络。

• 模糊性处理：人类视觉系统在处理模糊或不完整的图像时表现出极高的鲁棒性，例如在低光环境中依然能识别物体。而计算机视觉系统则在处理类似场景时表现较差。这提示我们，在设计计算机视觉算法时，如何处理不确定性和模糊性是一个关键问题。

1.2 计算机视觉的应用领域

计算机视觉技术在多个领域得到了广泛应用，以下是一些典型的应用场景：

1.2.1 图像分类 

• 定义：将输入的图像分配到一个预定义的类别标签上。例如，在猫狗分类问题中，输入的图像被分为“猫”或“狗”类别。

1.2.2 目标检测

• 定义：不仅要识别图像中的物体类别，还要定位这些物体在图像中的位置（即给出边界框）。

1.2.3 图像分割

• 定义：将图像划分为多个区域或对象，每个像素被分配到一个特定的类别或对象中。这比目标检测更精细，要求对图像的每一个像素进行分类。

1.2.4 图像生成

• 定义：生成新的图像或视频内容。近年来，生成对抗网络（GANs）在图像生成领域取得了显著进展。
• 实际应用：
  • 图像增强：GANs 被用于将低分辨率图像转换为高分辨率图像，或者将模糊图像变得清晰。
  • 内容生成：GANs 可以生成逼真的虚拟场景或人脸图像，这在游戏设计、影视制作中有广泛应用。