CV 百度飞桨7日打卡营

1. 前言

     对于我而言，对我最有用的只是在第一天的理论课程中，这么说不意味着说后几天的知识不重要，第一天介绍的是计算机视觉的发展历程么，是怎么一步步的发展到用深度学习的知识进行cv工作的，虽然说这些知识相对来说已经不在是时代的宠儿，不掌握这些内容，完全用深度学习去进行cv的学习，也没太大的差别，但对于我而言，缺少那方面的了解，就总感觉缺了些什么。虽然自己通过一些文章对那些东西也有一定的了解，但是，缺少和其他人的交流，知识总会有所缺漏。话不多说，开始进入重点。

2. 语义鸿沟

    图像的底层视觉特性和高层语义概念之间的鸿沟

例如：相似的视觉特性，不同的语义概念

例如：不相似的视觉特性，相同的语义概念

3. 传统图像识别技术

    早期图像识别流程

特征提取------------> 索引技术----------------->相关反馈----------------->重排序

特征提取：用全局的视觉底层特性统计量表示图像（包括，颜色，形状，纹理等），将这些特征转换为向量表示，向量降维。

中期图像识别流程

特征提取：改为提取图像的局部特征。有两种技术手段。

特征检测子：检测图像区块中心位置 Harris, DoG, SURF, Hattis-Affine

特征描述子：描述区块的视觉内容 SIFT, GLOH, Shape Contest, ORB

人工智能图像识别流程

这个流程以我个人的理解就是，通过卷积神经网络进行特征的提取，3*3或者5*5（7*7）的卷积核，对图片的特征进行提取，网络的浅层关注图片的基础特征（包括，颜色，形状，纹理等），网络的深层关注图片的语义特征。之后添加一些特定功能的模块进行分类任务或者检测任务。最后奉上一个经典的VGG网络模型。