本文是作者学习斯坦福大学计算机视觉课程cs231n的笔记，回顾了计算机视觉从边缘模型到深度学习的发展历程，包括早期的边缘和形状识别，David Marr的视觉层次结构理论，以及ImageNet竞赛中CNN的突破性应用。文章指出，硬件进步和大数据是推动神经网络发展的关键因素，但也面临如密集标记等问题的挑战。
研究生考试结束，终于能有一大块系统的时间来学习神经网络，一直对这块的知识很感兴趣，嘿嘿，兴趣是个好东西。准备着手写一系列关于学习FeiFeiLi的计算机视觉&深度学习课程的总结及心得，分享给大家，我们一起进步！
介绍一下计算机视觉的历史和回顾，Computer Vision，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。以上定义来源于百度百科，在我最开始接触Computer Vision的时候，并不了解Computer Vision这个领域，只是表面的理解为，图片识别，是不是随便写一段代码就可以将这个问题AC掉，哈哈，当年还是很幼稚，随着进一步探索这个极具刺激的领域之后，从它的发展史再到CNN使ImageNet进入新的时代，才能让我对Computer Vision这个领域充满好奇和想要去探索的动力。
人类的进化其实源自于眼睛的进化，直到我们发明了照相机，我们的意愿是想复制这个世界。
一个非常interesting的事情，也是作为“眼睛”这个器官的最大的特点就是，视觉神经组织是在离眼睛最远的地方，不像我们的耳朵，鼻子，其相应的神经组织都是离着最近的地方。这就使得我们有更大的好奇心去探索“视觉神经组织”的未解的神秘所在。早期的科学家们做了很多的尝试和研究，以猫为例子，他们发现，在给猫看一些花，鱼的照片的时候，神经元的脉冲没有受到任何刺激，一次偶然的尝试，不得不说，科学研究不仅需要努力，有时候运气还是
最低0.47元/天 解锁文章
扫一扫
980
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
