计算机视觉

推动计算机视觉、AI识别发展的四大关键趋势

早在2011年嵌入式视觉联盟(EVA)成立时,其创始公司就认为,在广泛的市场范围内,在实用计算机视觉技术和解决方案领域的投资、创新和部署,将很快出现前所未有的增长。在不到十年后,这一预测就真正实现了。在过去的六年中,美国和中国在计算机视觉公司领域的投资都在加速,过去六年的投资额增长了100倍,并且增长速度没有任何放缓的迹象......

深度解读计算机视觉技术

从广义上说,计算机视觉就是“赋予机器自然视觉能力”的学科。自然视觉能力,就是指生物视觉系统体现的视觉能力。一则生物自然视觉无法严格定义,在加上这种广义视觉定义又“包罗万象”,同时也不太符合40多年来计算机视觉的研究状况,所以这种“广义计算机视觉定义”,虽无可挑剔,但也缺乏实质性内容,不过是一种“循环式游戏定义”而已。

干货:变成计算机视觉大师,需要经历的几个阶段

计算机视觉(Computer vision)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图像处理,用计算机处理成更适合人眼观察或进行仪器检测的图像。

计算机视觉、计算机图形学、图像处理的区别和联系

搞了CV一段时间,仍时不时因为概念问题而困惑,搞不清楚计算机视觉(Computer Vision),计算机图形学(Computer Graphics)和图像处理(Image Processing)的区别和联系。在知乎上看到了一个帖子,觉得解释的很好,结合自己的理解,形成此文存档。

计算机视觉当中的几个基本概念

从图像中将某个特定区域与其他部分进行分离并提取出来的处理就是图像分割。因为图像分割处理实际上就是区分图像中的“前景目标”和“背景”,所以通常又称之为图像的二值化处理。图像分割在图像分析、图像识别、图像检测等方面占有非常重要的低位。

利用深度学习玩转计算机视觉

想做计算机视觉?深度学习是最近的发展方向。大规模数据集加上深度卷积神经网络(CNN)的表征能力使得超精确和稳健的模型成为可能。由于计算机视觉领域广泛而复杂,因此解决方案并不总是很清晰。计算机视觉中的许多标准任务都需要特别考虑:分类,检测,分割,姿势估计,增强和恢复以及动作识别。