1、计算机视觉与深度学习：从基础到应用

计算机视觉与深度学习：从基础到应用

1. 人工智能与机器学习概述

人工智能（AI）旨在将人类思维融入计算机，打造模拟生物大脑功能的人造大脑。早期的第一代 AI 专注于人类能够形式化描述的问题，机器依照人类编写的指令机械执行，缺乏自主思考能力，如同主从关系，人类是主导，机器只是执行者。

然而，人类只能对简单问题进行完整描述，如井字棋和国际象棋。对于复杂任务，如语音转文本、图像识别和情感分析等，难以用静态代码解决。因为这些任务没有单一的分类规则，即使为特定环境创建了规则，在其他环境中也往往失效。

为了使机器具备处理这些复杂任务的能力，机器学习（ML）应运而生。在 ML 中，规则由机器学习得出。人类负责收集和标注数据、提取合适的特征并选择最佳的 ML 算法，之后 ML 算法学习人类提供的信息，寻找输入与输出之间的映射规则。

但传统 ML 算法存在局限性，在特定环境中训练的数据往往无法在其他环境中有效工作。随着数据量的不断增加，传统 ML 技术在处理复杂数据时显得力不从心。例如，图像由于其内部的多样性，使用一组工程特征进行描述非常困难，为了使 ML 算法适用于不同环境，往往需要重复进行特征工程工作。

2. 深度学习的崛起

当人类在处理大量类别时，寻找有效区分特征的能力会下降。此时，我们可以让机器自主探索数据，寻找合适的特征进行分类，这就是深度学习（DL）。深度学习专注于从原始数据中直接得出结论，无需进行特征工程这一中间步骤，因此可以被称为“自动化特征工程”。虽然深度学习在处理和内存需求方面较为苛刻，可能需要数周时间才能区分不同类别，但它是处理大量图像数据的趋势，卷积神经网络（CNN）就是处理大量图像的主流 DL 模型。 </