李飞飞计算机视觉-自用笔记（第一周）

1 课程介绍-计算机视觉概述

互联网上传播的数据绝大多数是视觉数据

1.1 课程介绍-历史背景

计算机视觉简史
David Marr：
1.输入图像
2.原始草图：用其他元素表示边缘、端点、虚拟线条、曲线、边界
3.2.5D草图：将表面、深度信息、视觉场景等不连续的拼凑在一起
4.3D模型的形成

========================================================================
2020.9.2补充
知识包含关系：

发展历程：

========================================================================

图像识别->图像分割->人脸检测->特征检测->目标识别
ImageNet大规模视觉识别竞赛
2012年卷积神经网络脱颖而出
上述技术高速发展的原因
1.计算能力（硬件的发展）
2.数据量与日俱增

基础知识：
Python、C/C++、高等数学、线性代数、计算机图像、机器学习

2 图像分类

图像分类中算法应考虑的因素：相机的位置、光照强度、物体的形变、遮挡情况、背景混乱、类内差异

2.1 数据-驱动方法（机器学习）

1. 收集图像和标签的数据集
2. 使用机器学习训练分类器
3. 用新图像评估分类器

========================================================================
2020.9.3更新
常用数据集：MNIST（10类手写数字）；CIFAR10（10类）；ImageNet（1000类）

========================================================================

<