qq_59931372的博客

几何特征的检测方法最早是由Kelly和Kannade提出，现在基本上已经不用了，根据名字就可以得出，这个检测方法就是根据脸部的一些特征，比如眼睛的大小，鼻子的大小，眼睛到鼻子的距离等等一些基本特征点，所以说，它的优缺点也显而易见，识别简单，速度快，缺点却也很明显，每个人的脸部特征都是不一样的，没有办法做到非常准确，尤其是现在发展的人脸识别扫码支付，如果只是用特征检测，那么很有可能会导致识别错乱，造成不可估量的后果。但是也不是完全不能发展，现在的人来能识别都是二维的，并不能做到三维，如果说能够做到三维的识别，

我们前面说的，两阶段目标检测本质上就是训练俩个网络，分别对两个问题进行求解，这两个网络有什么区别喃？在网络结构上没有本质的区别，在特征输入上也没有任何的区别，唯一的区别就是网络的目标不同，或者说是使用的损失函数不同，所以我们完全可以将两个网络合并，将输出向量也拼接在一起，并且使用不同的损失函数对不同部分的输出进行拟合。一阶段目标检测主要的网络有YOLO网络和SSD网络。下面我们就进入这两个网络的学习。

作为基于深度学习的目标检测算法的开山之作，R-CNN由Ross Girshick在2014年首次发表，论文全名为Rich feature hierarchies for accurate object detection and semantic segmentation。在VOC2012数据集上，平均精度均值（mAP）较之前最好的模型提升30%，从此目标检测也正式进入深度学习时代。

目标检测作为计算机视觉中承上启下的一步，至关重要，可以说，实现了目标检测就实现了计算机视觉基本任务。目标检测急需要对物体进行识别，又要检测出物体的位置，难度较大，网络结构也层出不穷，在深度领域，从R-CNN到SPP-NET再到YOLO最后到SSD，可以说是百家争鸣，各有千秋。另一方面，目标检测应用非常广泛，例如生活中常见的人脸检测、车牌识别等；在自动驾驶领域，有行人识别、车道线识别；还有智能视频监控、机器人导航、飞机航拍等多种多样的应用。目标检测可以分解为两个步骤，

前面我们介绍了深度学习中的神经网络，那么本届我们就开始正式的进入深度学习中了，前面我们介绍过计算机视觉的四大任务：目标识别、目标检测、目标跟踪和目标分割。其中最基础的就是目标识别，几乎所有的计算机视觉的知识都是在目标识别问题上构建的，也就是说目标识别问题构成了整个计算机视觉的地基，如果我们不能解决识别问题，就无法建造我们的计算机视觉大厦。本章，我们就通过一个项目实战来全面认识目标识别。数据集下载。

对于程序员来说一种好的语言无疑是非常重要的，在深度学习中，就有一门语言：TensorFlow，集成了大量的深度学习常用函数，使得我们可以快速的部署模型，以及进行训练。所以，下面我们就开始了解以下TensorFlow中的各个函数的用法。

2012年，AlexNet横空出世，卷积神经网络从此火遍大江南北。此后无数人开始研究，卷积神经网络终于在图像识别领域超过人类，那么卷积神经网络有什么神奇？下面我们来了解了解。

深度神经网络的发展迅猛的原因其实有很多，但主要的原因是：一、使用了正向传播、反向传播算法。二、使用非线性激活函数。三、使用了Dropout正则化方法。四、硬件升级使得运算速度大大增加。

在传统的计算机视觉中，我们有两种方法来进行目标检测和识别，第一种就是支持向量机（SVM），第二种就是基于树的目标检测算法（此算法后面会讲到）。SVM的训练过程常用的方法有两种：词袋方法和隐式支持向量机，它们的区别就是前者可以进行整个场景的识别及分析，而后者主要应用于场景中的具体目标识别，如信号灯、车牌、人脸等。传统图像的处理方法就到此结束了，传统图像的处理可以分为三步：第一步，图像颜色空间转化、降噪、美化；第二步，寻找重要特征；第三步，对特征进行训练、分类、识别。

在刚经历了AI的大变革，ChatGpt的一夜爆火，让很多人的思想一下被刷新，很多人在见识了gpt的功能后不免的担心，未来人工智能是否会取代人类。对于这个问题，我的见解是人工智能的最根本就是人，作为一种辅助工具，他只是减轻我们的工作负担，让我们能够把精力投入到更重要的事中，简单点，就是推动人类社会的发展。但是人工智能的高速发展，也在警告我们，如果我们不去尝试创新，不去思考，或许部分岗位会被人工智能替代。很多人会面临失业，无岗就业。这也是人工智能发展会带来的必然后果。

图像修复的意思就是说将缺失的部分补全。那么图像为什么会破损？并不是图像在传输过程中出了问题，而是有两个主要原因：污染和噪声，就比如说，戴眼镜的同学都知道，眼镜戴久了，会出现很多污渍。这时候就会特别模糊。差不多就是这个意思。那我们如何去修复喃，除了现在的软件修复，我们用代码如何取实现喃？

现实生活中的物体和图像有两个明显的不同之处：①物体是三维的，图像十二位的。②物体是运动的，图象是静止的。为了解决第一个不同，需要从三维物体采集二维图像，这往往是一个几何过程，在计算机视觉中称为相机模型。为了解决第二个不同，我们使用光流算法来进行解决。所以，本节的学习任务就是光流算法的应用。

前面介绍了如何提取图像中的各种特征，包括颜色特征，几何特征、局部特征等，也进行了各种特征算法学习。那么本节我们来学习美化图片。众所周知，现在各大平台惊现“照骗”，修图技术的发展，让越来越多的人迷失在幻境中，男的批成女的，等等。对于我们计算机专业的学生来说，理解这些功能的底层代码是非常重要的。

几何学，相信是每个初高中生的噩梦，做不完的辅助线，各种边边角，成了多少人的恐惧。那么，图像的几何特征除了我们小时候学过的形状、位置、角度、距离等基本特征之外，还有边缘、角点和斑点等。这一节我们就来学习图像几何特征的算法。

在深度学习广泛应用之前，也就是我们所说的传统图像处理，人们是如何处理图像的呢？首先找出图片中的关键特征，然后对这些特征进行识别，检测，分割等。在对计算机进行处理时，也需要先寻找特征。在让计算机理解图像之前，我们先来熟悉熟悉图像特征。

博主简介博主是一名大二学生，主攻人工智能研究。如果有需要的小伙伴可以关注博主，博主会继续更新的，如果有错误之处，大家可以指正。专栏简介：本专栏主要研究计算机视觉，涉及算法，案例实践，网络模型等知识。包括一些常用的数据处理算法，也会介绍很多的Python第三方库。如果需要，点击这里。给大家分享一个我很喜欢的一句话：“每天多努力一点，不为别的，只为日后，能够多一些选择，选择舒心的日子，选择自己喜欢的人！