What is Computer Vision?
leiphone Blake
如果想要機器能夠進行思考，我們需要先教會它們去看。李飛飛——Director of Stanford AI Lab and Stanford Vision Lab
電腦視覺（Computer vision）是一門研究，如何使機器「看」的科學，更進一步的說，就是指用攝影機和電腦，代替人眼對目標進行辨識、跟蹤和測量等機器視覺，並進一步做圖像處理，用電腦處理成更適合人眼觀察，或進行儀器檢測的圖像。
學習和運算能讓機器，能夠更好的理解圖片環境，並且建立具有真正智慧的視覺系統。當下環境中，存在著大量的圖片和影像內容，這些內容亟需學者們理解，並在其中找出模式，來揭示那些我們以前不曾注意過的細節。 電腦視覺的實現基本過程為：
電腦從圖片中生成數學模型電腦圖形在模型中對圖像進行繪製，然後在圖像處理過程中將其作為輸入，另外給出處理圖像作為輸出
電腦視覺的理念，在某些方面其實與很多概念有部分重疊，包括：人工智慧、數位圖像處理、機器學習、深度學習、模式辨識、概率圖模型、科學計算，以及一系列的數學計算等。因此，你可以將本文看成是深入這個領域研究的第一步。
本文將盡量包涵到盡可能多的內容，但是可能仍然會存在一些較為複雜的主題，也有可能存在某些遺漏之處，敬請見諒。
丨第一步——背景
通常來說，你應該具有一點相關的學術背景，比如上過有關概率學、統計學、線性代數、微積分（微分與積分）等相關課程，對矩陣計算有一定瞭解更好。另外，從我的經驗來看，如果你對數位信號處理有瞭解的話，在以後對於概念的理解來說會更加容易。
在實現層面來說，你最好能夠會用MATLAB或者Python中的一種，一定要記住的是電腦視覺幾乎全部與電腦編程有關。
你也可以在Coursera上選修《概率繪圖模型》一課，這門課程相對較難（講得比較深入），你也可以在學習一段時間之後再對其進行瞭解。
丨第二步——數字圖像處理
觀看來自杜克大學的Guillermo Sapiro所教授的課程——《圖像和影像處理：從火星到好萊塢Image and Video Processing: From Mars to Hollywood with a Stop at the Hospital》，該課程所提供的教學大綱，每章都是獨立的且包涵大量的練習，你可以在coursera和YouTube上找到相關的課程影片資訊。
另外你可以看下Gonzalez與Woods編寫的《數位圖像處理（Digital Image Processing）》一書，使用MATLAB來運行其中所提到的範例，相信一定會有所獲。
丨第三步——電腦視覺
一旦學習完有關數位圖像處理有關內容，接下來應該瞭解相關的數學模型，在各種圖像和視訊內容中的應用方法。來自佛羅里達大學的Mubarak Shah教授，在電腦視覺方面的課程，可以作為一門很好的入門課程，其涵蓋了幾乎所有的基礎概念。
觀看這些影片的同時，可以學習Gatech的James Hays教授的電腦視覺項目課程，所使用的概念和算法，這些練習也都是基於MATLAB的。千萬不要跳過這些練習，只有在真正的練習過程中，才會對這些算法和公式，有更深入的瞭解。
丨第四步——高級電腦視覺
如果你認真學習了前三步中的內容，現在可以進入到高級計算機視覺相關學習了。
來自巴黎中央理工學院的Nikos Paragios和Pawan Kumar講授了一門人工視覺中的離散推理（Discrete Inference in Artificial Vision）課程，它能提供相關的概率圖形模型，和電腦視覺相關的大量數學知識。
到現在這一步來看就比較有趣了，這門課程一定能讓你感受到，用簡單模型，構築機器視覺系統有多麼複雜。學完這門課程的話，在接觸學術論文之前，又邁進一大步。
丨第五步——引入Python和開源框架
這一步我們要接觸到Python編程語言。
就Python而言，有許多像 OpenCV、PIL、vlfeat，這樣的相關擴展包，現在就是將這些擴展包，運用到你的項目中的最好時機。因為如果有其他的開源框架存在的話，沒有必要從頭開始來編寫一切內容。
如果需要參考資料的話，可以考慮《使用Python對電腦視覺進行編程 Programming Computer Vision with Python》，使用這本書就夠了。你可以動手去嘗試下，看看MATLAB和Python結合的話，如何來實現你的算法。
丨第六步——機器學習與CovNets（卷積神經網路）
有關如何從頭開始，機器學習的資料實在太多，你可以從在網上查找到大量相關教程。
從現在開始最好一直使用Python進行編程，可以看下《使用Python建立機器學習系統——Building Machine Learning Systems with Python》和《Python機器學習——Python Machine Learning》這兩本書。
目前深度學習正大行其道，可以試著學習卷積神經網路，在電腦覺中的應用（ Computer Vision: the use of CovNets），在此推薦史丹佛的CS231n課程：針對視覺辨識的卷積神經網路。
丨第七步——如何才能更進一步
行文至此，你可能會覺得已經講了太多的內容，需要學的已經太多。但是，你還可以進一步進行探索研究。
其中一個方法是看看由多倫多大學的Sanja Fidler和James Hays所舉行的一系列研討會課程，能幫助你對當下電腦視覺研究方向的最新概念有所理解。
另一種即跟著 CVPR、ICCV、 ECCV、 BMVC這些頂級學術會議的相關學術論文，透過會上的研討會、主旨演講以及tutorial等日程一定能學到不少知識。
總結：如果你按照步驟一步步完成所有的學習任務，屆時你將大概瞭解計算機視覺中有關濾波器、特徵檢測、描述、相機模型、追蹤器的歷史，另外還學習到分割和辨識、神經網路和深度學習的最新進展。希望本文能幫助你在電腦視覺領域走得更遠，學習得更加深入。
沒有留言:
張貼留言