计算机视觉教学课件（完整版）.pptx

全 册 课 件 延迟符 计算机视觉全套课件 计算机视觉 Computer Vision 第一章·绪论 目录 背景介绍 Contents 小节介绍 本章总结 背景介绍 BACKGROUND Every image tells a story. Computer vision develops theories and methods to allow computers to extract relevant information from digital images or videos. ONE 背 景 介 绍 作为人类，我们可以轻松感知周围的三维世界。 相比之下，不管近年来计算机视觉已经取得多么令人瞩目的成果，但要让计算机能像人类那样理解和解释图像，却仍然是一个遥远的梦想。 为什么计算机视觉会成为如此富有挑战性的难题？ 它的发展历史与现状又是怎样的？ 小节介绍 SECTION INTRODUCTION Every image tells a story. Computer vision develops theories and methods to allow computers to extract relevant information from digital images or videos. TWO 1.1 计算机视觉简史 美国计算机科学家拉里·罗伯茨在麻省理工大学的博士毕业论文《Machine Perception of Three-Dimensional Solids》 1963年 热点偏向于图像内容的建模，如三维建模、立体视觉等 20世纪70年代 主动视觉理论和定性视觉理论等被提出,进入了最蓬勃发展的一个时期 20世纪80年代 机器学习开始成为计算机视觉，尤其是识别、检测和分类等应用中一个不可分割的重要工具 成为计算机领域的一个大学科 21世纪 20世纪90年代 基于神经网络的深度学习算法 2012年，Hinton的小组参加了ImageNet竞赛,提出卷积神经网络AlexNet,取得十个百分点的改进，完胜第二名 冲击传统计算机视觉分类算法 更深的网络结构 校正线性单元（Rectified Linear Unit, ReLU)、Dropout等方法的应用 GPU训练网络 三点改进 自从2012年后，基于深度学习的检测和识别、基于深度学习的图像分割、基于深度学习的立体视觉等如雨后春笋般一夜之间全冒了出来。 在各领域发挥作用 1.2 计算机视觉发展的新起点 现实生活应用 安防 交通 工业生产 在线购物 信息检索 游戏娱乐 摄影摄像 机器人／无人机 体育 医疗 1.3 计算机视觉应用 相对其他许多传统的机器学习方法，深度神经网络本身就是一个消耗计算量的大户。另一方面，由于多层神经网络本身极强的表达能力，对数据量也提出了很高的要求。 20世纪80年代,使用专门的运算单元负责对三维模型形成的图像进行渲染。 1999年,NVIDTA发布GeForce 256，正式提出了GPU的概念。 2000年, 尝试用GPU来加速通用高密度、大吞吐量的计算任务。 2001年，通用图形处理器（General-Purpose computing on CPU, GPGPU）的概念被正式提出。 2002年，多伦多大学的James Fung发布了Open VIDIA，利用GPU实现了一些计算机视觉库的加速，这是第一次正式将GPU用到了渲染以外的用途上。 2006年，NVIDIA推出了利用GPU进行通用计算的平台CUDA,很快就流行开并成为了GPU通用计算的主流框架。 2012年，Alex一战成名，同时GPU也成为了训练深度神经网络的标配。 1.4 GPU与并行技术 图像搜索 图像分割 生成对抗网络 图像描述 图像分类 物体检测 人脸识别 1.5 基于卷积神经网络的计算机视觉应用 本章总结 CHAPTER SUMMARY Every image tells a story. Computer vision develops theories and methods to allow computers to extract relevant information from digital images or videos. Three 本书从基本的视觉色彩原理到神经网络模型，再到之后的卷积模型与具体应用，对计算机视觉领域的知识进行了较为系统的介绍。 全书共分为八个章节： 第二、三章介绍基础的图像色彩表示及传统特征提取方法； 第四章介绍深度学习神经网络方法及卷积、循环神经网络； 第五至八章介绍图像分类、目标检测与分割、图片描述与关系识别及生成对抗网络等主要任务及算法。 1.6 全书章节简介 计算机视觉 Computer Vision 第二