深度学习在计算机视觉领域的应用和未来

物体识别（图像识别）

物体识别是计算机视觉领域中的一项基础研究，它的任务是识别出图像中是什么物体。

如，手写数字识别的图像类别分类问题。

物体检测

从图像中确定物体的位置，并进行分类。

图像分割

在像素水平上对图像进行分类。

图像标题的生成

给出一个图像后，会自动生成介绍这个图像的文字（图像的标题）。融合了计算机视觉和自然语言。

PS：将组合图像和自然语言等多种信息进行的处理称为多模态处理。

图像风格变换

输入两个图像后，会生成一个新的图像。两个输入图像中，一个称为“内容图像”，另一个称为“风格图像”。

图像的生成

生成新的图像（需要事先使用大量的图像进行学习，但在“画”新图像时不需要任何图像。

比如，基于DCGAN（Deep Convolutional Generative Adversarial Network）方法生成卧室图像。

DCGAN的技术要点是使用了Generator（生成者）和Discriminator（识别者）这两个神经网络。 Generator生成近似真品的图像， Discriminator判别它是不是真图像（是Generator生成的图像还是实际拍摄的图像）。像这样，通过让两者以竞争的方式学习， Generator会学习到更加精妙的图像作假技术，Discriminator则会成长为能以更高精度辨别真假的鉴定师。两者互相切磋、共同成长，这称为GAN（Generative Adversarial Network）生成对抗网络技术。

自动驾驶

自动驾驶需要结合各种技术的力量来实现，比如决定行驶路线的路线计划（path plan）技术、照相机或激光等传感技术等，在这些技术中，正确识别周围环境的技术尤其重要。

下图对输入图像进行了分割（像素水平的判别）。观察结果可知，在某种程度上正确地识别了道路、建筑物、人行道、树木、车辆等。

Deep Q-Network（强化学习）

就像人类通过摸索试验来学习一样（比如骑自行车），让计算机也在摸索试验的过程中自主学习。

强化学习的基本框架是，代理（Agent）根据环境选择行动，然后通过这个行动改变环境。根据环境的变化，代理获得某种报酬。强化学习的目的是决定代理的行动方针，以获得更好的报酬。

基于Deep Q-Network学习电子游戏的操作。输入是电子游戏的图像，经过摸索试验，学习出让专业玩家都自愧不如的游戏手柄（操作杆）的操作手法。

人工智能 AlphaGo击败围棋冠军，这个AlphaGo技术的内部也用了深度学习和强化学习。AlphaGo学习了3000万个专业棋手的棋谱，并且不停地重复自己和自己的对战，积累了大量的学习经验。