计算机视觉简述

目录

1. 为什么要做计算机视觉
2. 什么是计算机视觉
3. 难点和挑战
4. 发展历程
5. 行业大牛
6. 两大类任务
7. state of the art

为什么要做计算机视觉

如果我们把数据分为结构化数据和非结构化数据，我们可以看到，以图像为代表的非结构化数据以指数级的方式增加，为了能“读懂”海量的非结构化数据，计算机视觉技术尤为重要。

在没有计算机视觉之前，我们只能把图像当作是黑盒，我们只能读到图像的文件名、尺寸、大小以及图片格式。对里面的内容我们一无所知。

当计算机视觉有了初步的发展时，我们打开一张图片，只能看到密密麻麻排列的数字，如上图所示，但是我们无法知道这些数字代表的含义。我们并不能将这些数字与小写字母a对应起来，为了解决这个问题，因此需要计算机视觉技术。

什么是计算机视觉

狭义上来说，计算机视觉就是要看懂图像的内容，比如上图，我们可以知道有一个人在放牛，并且知道这个人戴着草帽，赤裸着上身，穿了黑色的裤子，并且在打电话，这头牛是黑色的。

那么人是怎么得到的这些信息呢，靠我们的视觉系统。神经学家的研究发现，人的视觉系统主要分为视网膜，v1层、v2层、v4层几部分。那每一部分的作用是什么呢？ 视网膜主要是将物体投影到视网膜上，然后通过视觉神经，将光信号转换为电信号，传到大脑皮层。v1层主要是对边缘信息比较敏感，作用类似于传统图像处理中的拉普拉斯算子，sobel算子等，目的是提取物体的边缘信息。v2区域的目的是将边缘信息组合成简单的形状，也就是物体的局部信息，而v4区域就是直接得到语义信息。

计算机为了能跟人一样得到语义信息，因此也希望模仿人的视觉过程提取物体的特征，比如神经网络，通过多层的特征提取也可以生成图像的语义信息，虽然深度学习目前仍然缺乏可解释性，但是我们简单的提取第一层的结果，会发现作用也是提取梯度，只是后续的层我们就无法看出作用了

难点和挑战

那么计算机视觉的难点在哪里呢？毫无疑问是特征的提取。如果我们要识别物体，我们希望相同类别的物体提取的特征是相近的，不同物体的特征是差别巨大的，但是如上图所示，如果我们对图像仅仅用来l2距离来排列，我们发现，排列在一起的图像是背景颜色相近的图像而不是语义相同的图像。还有一个难点，在于神经网络在处理图像时参数量大，计算量大，因此gpu的发展为推动计算机视觉的发展也贡献巨大。

发展历程

接下来我们说一下计算机视觉的发展历程。
在1959年的时候，神经生理学家David Hubel和Torsten Wiesel通过猫的视觉实验，首次发现了视觉初级皮层神经元对于移动边缘刺激敏感，发现了视功能柱结构，为视觉神经研究奠定了基础——促成了计算机视觉技术40年后的突破性发展，奠定了深度学习之后的核心准则。
1965年， Lawrence Roberts《三维固体的机器感知》描述了从二维图片中推导三维信息的过程。——现代计算机视觉的前导之一，开创了理解三维场景为目的的计算机视觉研究。
70年代中期，麻省理工学院（MIT）人工智能（AI）实验室：CSAIL正式开设计算机视觉课程。
20世纪80年代《视觉》一书的问世，标志着计算机视觉成为了一门独立学科。
1999年， David Lowe 发表《基于局部尺度不变特征（SIFT特征）的物体识别》，标志着研究人员开始停止通过创建三维模型重建对象，而转向基于特征的对象识别。
2005年，由Dalal & Triggs提出来方向梯度直方图，HOG（Histogramof Oriented Gradients）应用到行人检测上。是目前计算机视觉、模式识别领域很常用的一种描述图像局部纹理的特征方法。

2009年，李飞飞教授等在CVPR2009上发表了一篇名为《ImageNet: A Large-Scale Hierarchical Image Database》的论文，发布了ImageNet数据集，这是为了检测计算机视觉能否识别自然万物，回归机器学习，克服过拟合问题，经过三年多在筹划组建完成的一个大的数据集。ImageNet是计算机视觉发展的重要推动者，和深度学习热潮的关键推动者，将目标检测算法推向了新的高度
2012 年，Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 创造了一个“大型的深度卷积神经网络”，也即现在众所周知的 AlexNet，赢得了当年的 ILSVRC。这是史上第一次有模型在 ImageNet 数据集表现如此出色。论文“ImageNet Classification with Deep Convolutional Networks”，迄今被引用约 7000 次，被业内普遍视为行业最重要的论文之一，真正展示了 CNN 的优点。机器识别的错误率从25%左右。降低了百分之16%左右，跟人类相比差别不大。是自那时起，CNN 才成了家喻户晓的名字。
2014年，蒙特利尔大学提出生成对抗网络（GAN）：拥有两个相互竞争的神经网络可以使机器学习得更快。一个网络尝试模仿真实数据生成假的数据，而另一个网络则试图将假数据区分出来。
2015年，何恺明等人发表了resnet，这个网络为解决梯度消失问题做出了巨大贡献，它之所以可以解决梯度消失问题从数学上说是因为对f(x)+x求到后，始终有个常数1存在，因此梯度不会消失。之后resnet作为backbone大量用于检测、属性分析等等领域。
2016年以yolo/faster rcnn/ssd 为代表的目标检测算法有了质的飞跃，yolo系列让目标检测领域达到了实时的处理效果，虽然最初版本的yolo对于小目标处理失效，但随着fpn的发明，一定程度上解决了小目标的问题。faster rcnn系列则以其鲁棒性著称。ssd更像是两者的结合。
2017年，hinton等人为了解决cnn对于全局位置不敏感的问题，发明了胶囊网络。在此之前由于cnn只对局部位置敏感，因此对于器官错位等假图片的处理是失效的。

行业大牛

2018年图灵奖颁给了ai领域的三个大牛，如上图所示。
在 1986 年的一篇论文中，Hinton 与 David Rumelhart 和 Ronald Williams 提出了反向传播，这篇论文即著名的《Learning Internal Representations by Error Propagation》。Hinton 等研究者表示反向传播算法允许神经网络探索数据内部的深层表征，因此神经网络才能解决以前被认为无法解决的问题。反向传播目前已经成为训练深度神经网络所必需的算法。
在上个世纪九十年代，Bengio 提出将神经网络与序列的概率建模相结合，例如隐马尔可夫模型这种序列的概率建模方法。这些创新观点被 AT&T/NCR 所接受，并用于阅读手写支票，该系统被认为是九十年代神经网络研究的巅峰之作，现代基于深度学习的语音识别系统都是在这些概念上继续扩展的。
20 世纪 80 年代，LeCun 构建了卷积神经网络，这是该领域的一项重要理论，对于提高深度学习效率至关重要。20 世纪 80 年代后期，LeCun 就职于多伦多大学和贝尔实验室，也是在这一时期，它利用手写数字图像训练了第一个卷积神经网络系统。如今，卷积神经网络已成为计算机视觉、语音识别、语音合成、图像合成和自然语言处理领域的行业标准。卷积神经网络有着广泛的应用，如自动驾驶、医学图像分析、语音助手和信息过滤等。

两大类任务

在这里我们把计算机视觉分为两类，第一类是内容理解类，第二类是内容生成类。内容理解类又可以包括分类、检测、关系、行为识别等等一些的方向。这类任务的目的是理解图像中的内容。还有一类是内容生成类，比如对抗生成网络所要做的风格迁移等。目前gan非常火。

state of the art

上图是分类、目标检测、行为识别和生成的最佳方法
参考：计算机视觉发展史
一文看懂计算机视觉