奧特曼在思考.png

計(jì)算機(jī)視覺可以分為以下幾大方向：

1.圖像分類

2.目標(biāo)檢測

3.圖像分割

4.風(fēng)格遷移

5.圖像重構(gòu)

6.超分辨率

7.圖像生成

一. 圖像分類(Image Classification)

圖像分類娇唯，也可以稱為圖像識別，顧名思義，就是辨別圖像是什么揩悄，或者說圖像中的物體屬于什么類別腋粥。圖像分類根據(jù)不同分類標(biāo)準(zhǔn)可以劃分為很多種子方向魂贬。

比如根據(jù)類別標(biāo)簽甫窟，可以劃分為：
二分類問題跟继，正負(fù)樣本分類种冬；
多分類問題，比如數(shù)字識別舔糖；
多標(biāo)簽分類娱两，每個(gè)類別都包含多種屬性的標(biāo)簽，比如對于服飾分類剩盒，可以加上衣服顏色谷婆、紋理、袖長等標(biāo)簽辽聊，輸出的不只是單一的類別，還可以包括多個(gè)屬性期贫。

根據(jù)類別數(shù)量跟匆，還可以分為：
Few-shot learning：即小樣本學(xué)習(xí)，訓(xùn)練集中每個(gè)類別數(shù)量很少通砍，包括 one-shot 和 zero-shot 玛臂；
large-scale learning：大規(guī)模樣本學(xué)習(xí)，也是現(xiàn)在主流的分類方法封孙，這也是由于深度學(xué)習(xí)對數(shù)據(jù)集的要求迹冤。

二. 目標(biāo)檢測(Object Detection)

目標(biāo)檢測通常包含兩方面的工作

1. 檢測目標(biāo)

2.識別目標(biāo)。

目標(biāo)檢測可以分為單物體檢測和多物體檢測 虎忌。如下圖所示coco數(shù)據(jù)集：

coco數(shù)據(jù)集示例

目標(biāo)檢測領(lǐng)域發(fā)展如下
R-CNN 系列泡徙，從 R-CNN 到 Fast R-CNN、Faster R-CNN膜蠢，Mask R-CNN堪藐；
YOLO 系列莉兰，從 v1 到 2018 年的 v3 現(xiàn)在陸陸續(xù)續(xù)有非官方發(fā)布的V5了
可見此處：經(jīng)驗(yàn)雜談——有效避免目標(biāo)檢測中的誤檢 - 簡書 (jianshu.com)

三. 圖像分割(Object Segmentation)

圖像分割是基于圖像檢測的，它需要檢測到目標(biāo)物體礁竞，然后把物體分割出來糖荒。
圖像分割可以分為三種：

普通分割：將不同分屬于不同物體的像素區(qū)域分開，比如前景區(qū)域和后景區(qū)域的分割模捂；

語義分割：普通分割的基礎(chǔ)上捶朵，在像素級別上的分類，屬于同一類的像素都要被歸為一類狂男，比如分割出不同類別的物體泉孩；

實(shí)例分割：語義分割的基礎(chǔ)上，分割出每個(gè)實(shí)例物體并淋，比如對圖片中的多只狗都分割出來寓搬，識別出來它們是不同的個(gè)體，不僅僅是屬于哪個(gè)類別县耽。

一個(gè)圖形分割的例子如下所示句喷，下圖就是一個(gè)實(shí)例分割的例子，用不同的顏色表示不同的實(shí)例兔毙。

image.png

四. 風(fēng)格遷移(Style Transfer)

風(fēng)格遷移是指將一個(gè)領(lǐng)域或者幾張圖片的風(fēng)格應(yīng)用到其他領(lǐng)域或者圖片上唾琼。比如將抽象派的風(fēng)格應(yīng)用到寫實(shí)派的圖片上。
一個(gè)風(fēng)格遷移的例子如下, 圖 A 是原圖澎剥，后面的 B-F 五幅圖都是根據(jù)不同風(fēng)格得到的結(jié)果锡溯。

風(fēng)格遷移

5. 圖像重構(gòu)(Image Reconstruction)

圖像重構(gòu)，也稱為圖像修復(fù)(Image Inpainting)哑姚， 目的就是修復(fù)圖像中缺失的地方祭饭， 。通常會采用常用的數(shù)據(jù)集叙量，然后人為制造圖片中需要修復(fù)的地方倡蝙。
一個(gè)修復(fù)的例子如下所示，總共是四張需要修復(fù)的圖片绞佩，例子來自論文"Image Inpainting for Irregular Holes Using Partial Convolutions"寺鸥。

圖像重構(gòu)

六. 超分辨率(Super-Resolution)

超分辨率是指生成一個(gè)比原圖分辨率更高、細(xì)節(jié)更清晰的任務(wù)品山。一個(gè)例子如下圖所示胆建，圖例來自論文"Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network"。 通常超分辨率的模型也可以用于解決圖像恢復(fù)(image restoration)和修復(fù)(inpainting)肘交，因?yàn)樗鼈兌际墙鉀Q比較關(guān)聯(lián)的問題笆载。
常用的數(shù)據(jù)集主要是采用現(xiàn)有的數(shù)據(jù)集，并生成分辨率較低的圖片用于模型的訓(xùn)練。

超分辨率

七. 圖像生成(Image Synthesis)

圖像生成是根據(jù)一張圖片生成修改部分區(qū)域的圖片或者是全新的圖片的任務(wù)宰译。這個(gè)應(yīng)用最近幾年快速發(fā)展檐蚜，主要原因也是由于 GANs 是最近幾年非常熱門的研究方向，而圖像生成就是 GANS的一大應(yīng)用沿侈。

圖像生成