目录
CV的level和CV的方向
CV的level
- Low Level,图像的基本操作;比如,图像的变换、像素操作、色彩等;
- Mid Level,经典的视觉算法;比如,SIFT、RBF等;
- High Level,CV任务;比如,Deep Learning和CNN等;
CV研究方向
这个可以用于学术研究参考。新应用、新领域发表论文较多。
- AutoML,超参数自主学习,可以自主学习设计合理的神经网络、自主进行学习;
- Acceleration,加速,偏向底层,CV对算力要求高,计算需要加速;
- New Application,新应用;
- New Structure, 新结构;
- Refinement,不断提升,对现有CV算法进行提升;
CV应用方向
- Image Classification,图像分类;比如,将一组(注意是一组,不是一个)图片分类,图片主体明显,将人物图像、风景图像等分为人物、风景等;
- Object Detection,目标检测;比如,在图像里找出某个对象并提取出来;
- Keypoint Detection,
- Recognition,识别;比如,人脸识别;
- Segmentation,分割;
- Voxel,三维重构;
- Tracking,跟踪;比如,无人机对移动的坦克进行跟踪;
- 2D-3D/3D-2D,2D和3D转换;
- Image Captioning,图像提取标题说明;比如给出一个(注意是一个,就一个)电影图像,说出是战争、剧情、恐怖等;
- Image Transfer,图像迁移;
- Mixed Input,混合输入;比如,输入图像的同时,还输入文字、音频等;
- GAN,生成式对抗网络(GAN, Generative Adversarial Networks ),暂时没搞懂是干什么的;
- Slam,暂时没搞懂是干什么的;
等等……
CV工程方向
- Modified Models,模型修改;比如,对模型做微小调整,带来巨大的性能提升;
- Light Models,轻量级模型;比如,手机上应用CV,物联网的物端需要轻量级模型和加速算法;
- Acceleration Algorithm,加速算法;
- Fixed Point
等等……
CV的路线
- CV基础,图像的读取、显示、变换、梯度;
- ML基础,机器学习;
- CNN基础,卷积神经网络;
- 分类,图像分类问题;
- 检测,图像检测问题;
- 图像迁移问题;
- GAN知识;
CV比较好的会议
CNPR、ECCV、ICCV、NIPS、PAMI、SIGGRAPH、arXiv、Kaggle。
CV的平台、框架
CV的平台有Trello、Slack、Github
CV的框架有Caffe、Caffe2(Facebook)、TensorFlow(Google)、CNTK(Microsoft)、PaddlePaddle(百度)、MXNet(Amazon)、PyTorch(Facebook)、Keras等
认识几个CV的缩写
认识几个CV的缩写,别被吓到了。
AI = Artificial Intelligence 人工智能
ML = Machine Learning 机器学习
SLAM = Simultaneous Location and Mapping 同步定位与地图构建
CV = Computer Vision 计算机视觉
CNN = Convolutional Neural Network 卷积神经网络(以后见到NN都要联想到神经网络ANN、DNN、DCNN)