計(jì)算機(jī)視覺的幾大任務(wù)：

目標(biāo)跟蹤、圖像和視頻的生成

這里有一些比較常見的計(jì)算機(jī)視覺的應(yīng)用，平時(shí)我們也會(huì)用到，包括多重的人臉識(shí)別，現(xiàn)在有些比較流行的照片應(yīng)用，不知道大家平時(shí)會(huì)不會(huì)用到，包括比如像 Google photos，基本上傳一張照片上去，它就會(huì)對(duì)同樣的照片同樣的人物進(jìn)行歸類，這個(gè)也是目前非常常見的一個(gè)應(yīng)用。

中間那個(gè)叫 OCR，就是對(duì)文本進(jìn)行掃描和識(shí)別，這個(gè)技術(shù)目前已經(jīng)比較成熟了。照片上這張是比較老的技術(shù)，當(dāng)時(shí)我記得有公司做這個(gè)應(yīng)用，有個(gè)掃描筆，掃描一下就變成文字，現(xiàn)在的話，基本上已經(jīng)不需要這么近的去掃描了，大家只要拍一張照片，如果這張照片是比較清晰的，經(jīng)過一兩秒鐘，一般我們現(xiàn)在算法就可以直接把它轉(zhuǎn)換成文字，而且準(zhǔn)確率相當(dāng)高，所以圖片上的這種 OCR 是一個(gè)過時(shí)的技術(shù)。

右下角是車牌檢測，開車的時(shí)候不小心壓到線了，闖紅燈了，收到一張罰單，這個(gè)怎么做到呢？也是計(jì)算機(jī)視覺的功勞，它們可以很容易的就去識(shí)別這個(gè)照片里的車牌，甚至車牌有一定的污損，經(jīng)過計(jì)算機(jī)視覺的增強(qiáng)都是可以把它給可以優(yōu)化回來的，所以這個(gè)技術(shù)也是比較實(shí)用的。

01. 圖像識(shí)別

車牌識(shí)別、人臉識(shí)別

02. 目標(biāo)檢測

行人檢測、車輛檢測

03. 圖像分割

圖像語義分割、個(gè)體分割=檢測+分割

視頻分割：

04. 目標(biāo)跟蹤

下面聊幾個(gè)比較有挑戰(zhàn)性的計(jì)算機(jī)視覺的任務(wù)。首先是目標(biāo)跟蹤，目標(biāo)跟蹤就是我們?cè)谶B續(xù)的圖片或者視頻流里面，想要去追蹤某一個(gè)指定的對(duì)象，這個(gè)聽起來對(duì)人來說是一個(gè)非常容易的任務(wù)，大家只要目不轉(zhuǎn)睛盯著一個(gè)東西，沒有人能逃脫我們的視野。

實(shí)際上對(duì)機(jī)器來說，這是一個(gè)很有挑戰(zhàn)性的任務(wù)，為什么呢？因?yàn)闄C(jī)器在追蹤對(duì)象的時(shí)候，大部分會(huì)使用最原始的一些方法，采取一些對(duì)目標(biāo)圖片進(jìn)行形變的匹配，就是比較早期的計(jì)算機(jī)識(shí)別的方法，而這個(gè)方法在實(shí)際應(yīng)用中間是非常難以實(shí)現(xiàn)的，為什么？因?yàn)樾枰櫟膶?duì)象，它由于角度、光照、遮擋的原因包括運(yùn)動(dòng)的時(shí)候，它會(huì)變得模糊，還有相似背景的干擾，所以我們很難利用模板匹配這種方法去追蹤這個(gè)對(duì)象。

一個(gè)人他面對(duì)你、背對(duì)你、側(cè)對(duì)你，可能景象完全不一樣，這種情況下，同樣一個(gè)模板是無法匹配的，所以說，很有潛力但也很有挑戰(zhàn)性，因?yàn)槟壳皩?duì)象追蹤的算法完全沒有達(dá)到人臉識(shí)別的準(zhǔn)確率，還有很多的人在不斷的努力去尋找新的方法去提升。

右邊也是一個(gè)例子，就是簡單的一個(gè)對(duì)我們頭部的追蹤，也是非常有挑戰(zhàn)性的，因?yàn)槲覀冾^可以旋轉(zhuǎn)，尺度也可能發(fā)生變化，用手去遮擋，這都給匹配造成很大的難度。

05. 多模態(tài)問題

后面還有一些比較有挑戰(zhàn)性的計(jì)算機(jī)視覺任務(wù)，我們歸類把它們叫做多模態(tài)問題，其中包括 VQA，這是什么意思？這個(gè)就是說給定一張圖片，我們可以任意的去問它一些問題，一般是比較直接的一些問題，Who、Where、How，類似這些問題，或者這個(gè)多模態(tài)的模型，要能夠根據(jù)圖片的真實(shí)信息去回答我們的問題。

舉個(gè)例子，比如底下圖片中間有兩張是小朋友的，計(jì)算機(jī)視覺看到這張圖片的時(shí)候它要把其中所有的對(duì)象全部分割出來，要了解每個(gè)對(duì)象是什么，知道它們其中的聯(lián)系。比如左邊的小朋友在喝奶，如果把他的奶瓶分出來以后，它必須要知道這個(gè)小朋友在喝奶，這個(gè)關(guān)系也是很重要的。

屏幕上的問題是“Where is the child sitting？”，這個(gè)問題的復(fù)雜度就比單純的只是解析圖像要復(fù)雜的多。他需要把里面所有信息的全部解析出來，并且能準(zhǔn)確的去關(guān)聯(lián)他們的關(guān)系，同時(shí)這個(gè)模型還要能夠理解我們問這個(gè)問題到底是個(gè)什么用意，他要知道問的是位置，而且這個(gè)對(duì)象是這個(gè)小孩，所以這個(gè)是包含著計(jì)算機(jī)視覺加上自然語言識(shí)別，兩種這種技術(shù)的相結(jié)合，所以才叫多模態(tài)問題，模態(tài)指的是像語音，文字，圖像，語音，這種幾種模態(tài)放在一起就叫多模態(tài)問題。

右邊一個(gè)例子是 Caption Generation，現(xiàn)在非常流行的研究的領(lǐng)域，給定一張圖片，然后對(duì)圖片里面的東西進(jìn)行描述。

編輯：jq