深度学习——计算机视觉领域的应用

图像分类：
在2012年的ImageNet大赛上，Hinton和他的学生Alex使用cnn网络alexnet以超过第二名10%的成绩碾压第二名后，深度学习真正开始火热起来，从2012年的AlexNet（83.6%），到2013年的88.8%，再到2014年GoogLeNet的93.3%，最后到了2015年，微软提出的ResNet网络以96.43%的Top5正确率，达到了超过人类的水平（94.9%）的识别正确率。 

物体检测：

图像检测是指在分类图像的同时把物体用矩形框给圈起来。从2014年到2016年，基于深度学习的检测框架先后出炉，基于候选区域的深度学习方法（R-CNN——>SPPnet——>Fast R-CNN——>Faster R-CNN）框架, 基于回归的Y深度学习方法（YOLO——>SSSD）框架，在PASCAL VOC数据集上的检测平均精度（mAP），检测精度从R-CNN的53.3%，到Fast RCNN的68.4%，再到Faster R-CNN的75.9%，最新实验显示，Faster RCNN + Resnet101可以达到83.8%。一张图片的检测速度从RCNN模型的2秒多，到Faster RCNN的198毫秒，再到YOLO的6.5毫秒（其缺陷是精度较低，只有52.7%），最后的SSD的43.5毫秒（精度75.1%）。 

图像分割：

图像分割的目的是把图像中各种不同物体给用不同颜色分割出来，如下图所示，其平均精度（mIoU，即预测区域和实际区域交集除以预测区域和实际区域的并集），也从最开始的FCN模型的62.2%，到DeepLab框架的72.7%，再到牛津大学的CRF as RNN的74.7%。

图像标注：

图像标注的目的是给出一张图片，机器自动用一段文字描述它，如图中所示，图片中第一个图，程序自动给出的描述是“一个人在尘土飞扬的土路上骑摩托车”，第二个图片是“两只狗在草地上玩耍”。

 图像生成：

图像生成的目的是从文字来生成图片。如图6所示，第一列“一架大客机在蓝天飞翔”，模型自动根据文字生成了16张图片，“一群大象在干燥草地行走”，模型也相应的生成了对应图片。

总的来说：目前CNN在图像分类领域是做的最好的，其次是物体检测领域，图像分割、图像标准、图像生成这三个领域也在蓬勃发展，发展速度很快，各种paper层出不穷，发展空间巨大。