计算机视觉

颜色特征提取方法

计算机视觉的特征提取算法研究至关重要。在一些算法中,一个高复杂度特征的提取可能能够解决问题(进行目标检测等目的),但这将以处理更多数据,需要更高的处理效果为代价。而颜色特征无需进行大量计算。只需将数字图像中的像素值进行相应转换,表现为数值即可。因此颜色特征以其低复杂度成为了一个较好的特征。

人工智能的“眼睛”:计算机视觉究竟有多厉害?

计算机视觉是最强大和引人注目的AI之一,你几乎肯定会以各种方式体验过它,当时却不知道。今天我们来好好研究一下它,包括它的工作原理以及它如此出色的原因(而且只会变得越来越好)。

反思深度学习与传统计算机视觉的关系

如今,深度学习在众多领域都有一席之地,尤其是在计算机视觉领域。尽管许多人都为之深深着迷,然而,深网就相当于一个黑盒子,我们大多数人,甚至是该领域接受过培训的科学家,都不知道它们究竟是如何运作的。

物体检测与分割的四种情况

物体分割属于图像理解的范畴,但图像理解包含众多,如包含着图像分类、物体检测、语义分割和实例分割等具体的问题。要想区分这些概念,就需要弄清楚每个问题具体研究什么,或者说对于图像的处理这个几个方式具体如何,目的又是得到什么效果。

计算机视觉领域数据增强的一些常用的方法

一般而言,比较成功的神经网络需要大量的参数,许许多多的神经网路的参数都是数以百万计,而使得这些参数可以正确工作则需要大量的数据进行训练,而实际情况中数据并没有我们想象中的那么多。

书单 | 计算机视觉的修炼秘笈

计算机视觉是从图像和视频中提出数值或符号信息的计算系统,更形象一点说,计算机视觉是让计算机具备像人类一样的眼睛,看到图像,并理解图像。加州大学洛杉矶分校统计学和计算机科学教授教授朱松纯曾表示“人的大脑皮层的活动大约70%是在处理视觉相关信息。视觉就相当于人脑的大门。如果不能处理视觉信息的话,整个人工智能系统是个空架子,只能做符号推理,没法研究真实世界的人工智能。”

计算机视觉领域最全汇总(一)

计算机视觉是人工智能(AI)中的热门研究课题,它已经存在多年。然而,计算机视觉仍然是人工智能面临的最大挑战之一。在本文中,我们将探讨使用深度神经网络来解决计算机视觉的一些基本挑战。特别是,我们将研究神经网络压缩,细粒度图像分类,纹理合成,图像搜索和对象跟踪等应用。