计算机视觉发展

1. 概览

1.1 定义及历史

• 赋予机器自然视觉能力的学科，给机器装上眼睛（成像设备）和大脑（算法）；
• 计算机视觉是一门综合性的学科，涵盖信号处理，神经认知学，应用数学和统计学等；

• 经历了4个主要阶段，研究内容大体分为物体视觉和空间视觉

1.2 计算机视觉 vs人工智能

人工智能范畴 计算机视觉知识树

1.3 整体概览

2. 计算机视觉进展

2.1 图像分类

2.1.1 发展历程

网络越深，精度越高 轻量化网络，ShuffleNet-V2，准确性和效率均最好

2.1.2 挑战

人识别一个物体特别简单，但是计算机处理起来却不是件容易的事，需要应对多方面的因素变化

• 遮挡
• 视角
• 光照
• 尺度
• 变形

• 背景干扰

  
  

2.1.3 典型框架

深度学习成为主流之后，网络设计的思路：网络加深、网络加宽，为了提高效率，网络也向轻量化发展。

2.2 物体检测

2.2.1 发展历程

2.2.2 挑战

平衡两方面因素

• 精度
• 速度

2.2.3 典型框架

• Two-stage：1.提取候选框；2.对候选框提取特征并分类；3.精度高但速度慢

  
  

• One-stage：端到端框架，精度低但速度快

  
  

2.2.4 发展趋势

物体检测的发展趋势：Anchor-Free、关系推理、弱监督检测和轻量化

2.3 图像分割

2.3.1 定义

语义分割
实例分割
3D分割
视频分割

2.3.2 分割质量评价指标

• Pixel Accuracy，标记正确的像素占总像素的比例

  
  

• mIoU(Mean Intersection over Union)，平均交并比，各类真实值和预测值的交集和并集之比的均值

  
  

2.3.3 发展历程

2.3.4 典型算法

2.3.5 挑战

• 难点A：如何表示高度抽象的语义信息

  
  
  

• 难点B：场景复杂，存在遮挡，阴影等因素

  
  
  

• 难点C：边缘和微小物体等细节部分易丢失

  
  
  

2.3.6 数据集

• 通用场景分割
  1.PASCAL VOC分割数据集，20类， 2913张图片(VOC 2012)。
  2.MS COCO分割数据集，80类， 122218张图片（COCO instances 2017)）
• 道路场景分割数据集
  1. Cityscapes,
  2. Mapillary Vistas,
  3. ApolloScape
  4. BDD100K等

2.3 视频分析

2.3.1 发展历程

• 双流网络：融合空间与时序变化的信息进行分析

  
  

• 利用人体骨架/关节点/姿态信息预测人体行为

  
  
  

• STN利用稀疏采样处理长视频分析，其他改进还有TRN和ECO等

  
  

• 3D卷积网络直接抽取信息，2D CNN的推广，后续改进有I3D，P3D，Non-local 3D等

  
  image.png
  

2.3.2 典型算法

• C3D: Tran等人提出，将3x3卷积扩展到3x3x3卷积，2x2 Pooling扩展到2x2x2 Pooling。

  
  
  

• I3D: Carreira等人提出，把Two-Stream结构中的2D卷积扩展为3D卷积。

  
  

• P3D: Z. Qiu等人提出，用一个1x3x3的空间方向卷积和一个3x1x1的时间方向卷积近似原3x3x3卷积。

  
  

• Two Stream: Simonyan等人提出，采用两个卷积分支，一个分支提取RGB图像中的空间信息，另一个分支处理光流运动场，用于提取帧之间的运动信息。

  
  

• TSN/TRN/ECO: L. Wang等人提出。这三个模型研究视频特征在时间上的传播关系，从而对视频进行稀疏采样，在避免冗余信息的同时可以处理长距离依赖。

  
  
  image.png

• SlowFastNet: Feichtenhofer等人提出，SlowFast网络中Slow分支用于捕获语义信息，而Fast分支用于捕获运动信息，这和Two-Stream网络的思路类似。

  
  

2.3.3 挑战

• 难点1：空间信息和时间信息的融合。如何将每帧图片中的空间信息和帧序列间的时间信息有效融合，提取出动作意图，目前还没有明确理论。

  
  

• 难点2：动作边界不明确。现实中一件事情往往没有明确的开始点和结束点，从而导致目前行为识别和检测的mAP偏低。

  
  
  

• 难点3：时间跨度大。同一个动作，可能持续几秒钟，也可能持续几十秒，从而使得提取Proposal的变得异常艰难。

  
  
  

2.3.4 相关数据集

2.4 SLAM

2.4.1 知识树

2.4.2 经典算法

2.4.3 发展趋势

• 多传感器融合（GPS/IMU/Camera/Lidar/Radar）

  
  

• 深度学习替换SLAM中的模块(特征提取和匹配/无监督深度学习的单目视觉里程计)

  
  
  

• 语义SLAM(半稠密语义建图/稠密3D语义建图)

  
  
  

• 端到端SLAM(基于增强学习的自主导航/感知建图和规划)

  
  
  

2.5 人机交互

2.5.1 定义

视觉感知是人机交互的一个重要手段，如人脸、眼球、手势、体控等多种探测与交互的应用。在这些应用中，视觉产品扮演着计算机输入设备的作用。

人脸交互 表情识别/眼球追踪/头部姿态
手势交互
体控交互

2.5.2 面部表情

• 表情识别发展
  方法从手工特征到深度神经网络
  数据从粗分类到精细表情分类

  
  

• 识别流程

  
  

• 应用场景

  
  智能监控
  智能机器人
  虚拟现实

2.5.2 手势

• 应用场景

  
  

• 优劣势
  优势
  识别人的自然手势
  可以脱离实体接触，实现远距离控制
  交互动作更加丰富和自然
  劣势
  成本相对高
  识别手势有限
• 技术实现
  Depth Camera
  RGB-D Camera
  Monocular RGB

2.5.3 人体

• 类型

  
  2D Human Pose
  3D Human Pose

• 应用场景

  
  体感游戏
  辅助裁判
  自动驾驶
• 优劣势
  优势
  技术成熟
  落地应用越来越多
  交互动作更加丰富和自然
  劣势
  使用场景要覆盖全身，遮挡条件下效果不好
  应用环境要求较高

2.6 OCR & STR

OCR 光学字符识别，起源于上世纪50年代，如今技术成熟。STR自然场景文本识别，尽管有深度学习加成，仍是热点与难点问题

2.6.1 发展历程

2.6.2 定义

文本检测
SWT：基于笔画特征
MSER：基于稳定区域
FCN+RNN：基于分割的方式
SSD-based：基于深度检测的方式
文本识别
字符识别：HOG、SIFT特征
单词识别：CNN分类
文本行识别：CNN + LSTM + CTC

2.6.3 挑战与难点

多种语言文本混合
文本方向多样性
文字变形(透视、仿射变换)、残缺、模糊等现象
自然场景图像的背景极其多样
光照变化、遮挡问题

2.6.4 发展趋势

2.7 机器学习

2.7.1 定义

机器学习为计算机视觉提供了理论与方法基石，同时，新兴方向已经正在影响并有可能引领视觉应用的未来
对抗生成学习 GANs
强化学习
Automl

2.7.2 生成对抗网络

深度卷积网络与博弈论的结合诞生了GANs

• 目标是模拟图像的高维分布，以生成“真实”的图像，

  
  

• 与图像处理 (超分、inpainting等)和合成等问题结合，提升视觉效果

  
  

• 图像生成方面，从早期的Deep dream，到去年底的高清人脸生成

  
  
  

• 数据增广与增强深度网络对噪声样本鲁棒

  
  

2.7.3 强化学习

研究学习器在与环境的交互过程中，如何学习到一种行为策略，以最大化得到的累积奖赏

• 面向特定任务的机械控制，路径规划

  
  

• 自主搜索更优的深度网络结构

  
  

• 策略游戏AI，媲美或超越人类顶级高手

  
  

2.7.4 Automl

• 自动化实现高性能的模型构建和超参数调整
  目标是降低模型设计的难度，但需要大量的算力来支撑
  前沿课题，发展迅速，需要紧密观察
  在部分任务性能表现上，已经跟上甚至超越当前最优人工设计的深度网络

  
  

• 在检测任务上的测评表现(NAS为automl模型)