3、计算机视觉与神经网络：从基础到深度学习

计算机视觉与神经网络：从基础到深度学习

1. 计算机视觉特征提取与机器学习的融合

早期，人们开发了一些图像特征提取方法，如提取SIFT关键点。多年来，更先进的方法不断涌现，它们能更稳健地提取关键点、计算和组合判别特征，但总体流程仍是从一张图像中提取特征，再与其他图像的特征进行比较。

不过，对于识别任务而言，提取稳健且有判别力的特征只是成功的一半。例如，同一类别的不同元素外观可能差异很大，像不同品种的狗，它们共有的特征集较小。因此，对于语义分类等高级问题，不能仅通过比较查询图像和标注图像的像素特征来解决，而且若要与大型标注数据集中的每幅图像进行比较，处理时间也会变得很长。

这时，机器学习就发挥了作用。20世纪90年代，越来越多的研究人员尝试解决图像分类问题，基于图像特征进行判别的统计方法开始出现。支持向量机（SVM）在很长一段时间内是将复杂结构（如图像）映射到简单标签（如类别）的默认解决方案。给定一组图像特征及其二进制标签（如猫或非猫），SVM可以通过优化学习一个函数，将不同类别分开。之后，只需将该函数应用于未知图像的特征向量，就能将其映射到相应类别。除了SVM，计算机视觉领域还采用了其他机器学习算法，如随机森林、词袋模型、贝叶斯模型和神经网络。

2. 神经网络的发展历程

2.1 早期尝试与失败

令人惊讶的是，人工神经网络的出现甚至早于现代计算机视觉。其发展是一个“生不逢时”的典型故事。

2.2 感知机的兴衰

20世纪50年代，Frank Rosenblatt提出了感知机，这是一种受神经元启发的机器学习算法，也是最早的神经网络的基础。在适当的学习过程下，感知机能够识别字符。然而，其热度很快消