原博客

基础知识整理

图像

拿到一张图片，视觉程序需要了解的信息有：

• 宽、高:
  假如一张照片的分辨率为：1920*1080(单位为dpi，全称为 dot per inch)，1920 就是照片的宽度，1080 就是图片的高度。
• 深度：
  这个感觉应该是表示每个像素点可以表示的不同颜色的总数，比如RGB的深度：2^8 * 3 = 768
• 通道数：
  这个好理解，就是配色源色总数，例如RGB通道数为3
• 色彩模式：
  如RGB，RGBA，CMYK，位图模式，索引颜色模式，双色调模式，多通道模式
• more
  图像中的知识点太多，做基本图像处理，了解以上知识个人感觉可以了。等到以后如果做深入研究，或许有机会做更多的学习

视屏

原始视屏就是有序图片序列，其中每张图片即为1帧(frame)，压缩后的视频，会采取各种算法减少数据容量，如IPB。

• 码率：
  单位时间内传送数据的位数，即取样率
• 帧率：
  每秒传输的帧数(fps: frames per second)
• 分辨率：
  每帧的像素点数？
• 清晰度
  实际上不同的清晰度对应不同的分辨率
• IPB：
  在网络视频流中，并不是把每一帧图片全部发送到客户端来展示，而是传输每一帧的差别数据（IPB），客户端然后对其进行解析，最终补充每一帧完整图片

摄像机

在实际应用当中，基本上都是通过不同种类的摄像机来获取数据，然后发送给服务端（AI Server）进行处理，分类有：

• 监控摄像机(网络摄像机、模拟摄像机)
• 行业摄像机(超快动态摄像机、红外摄像机、热成像摄像机)
• 智能摄像机
• 工业摄像机

GPU和CPU

对于深度学习，或者处理类似图片的矩阵形式的数据，我想是离不开GPU的。

• 架构对比

  
  
  

  1、上图中，绿色为计算单元，可以看出，CPU的ALU比GPU的少多了
  2、橙红色为存储单元，可以看出，GPU中没有CPU意义上的cache，实际上GPU中的缓存不是为了提高数据交换速度，而是为多线程突服务的
  3、橙黄色为控制单元，实际上CPU中有比较复杂的控制单元，这，可以降低延迟

• 整体对比

  
  
  

  1、cache、local memory（数）：CPU > GPU
  2、threads（数）：GPU > CPU
  3、registers（数）：GPU > CPU
  4、SIMD Unit（数）：GPU > CPU
  CPU在设计上，低延迟，可是低吞吐量，CPU的ALU（算数运算单元）虽然少，可是很强大，可以在很少的时钟周期内完成算数计算，或许数量少，就可以任性的减少时钟周期，所以其频率非常高，能够达到1.532 ~ 3 （千兆，10的9次方）。
  大缓存容量、复杂的逻辑控制单元也可以减低延迟。

GPU在设计上，高延迟，可是高吞吐量。GPU的特点是有很多的ALU和很少的cache. 缓存的目的不是保存后面需要访问的数据的，这点和CPU不同，而是为thread提高服务的。如果有很多线程需要访问同一个相同的数据，缓存会合并这些访问，然后再去访问dram（因为需要访问的数据保存在dram中而不是cache里面），获取数据后cache会转发这个数据给对应的线程，这个时候是数据转发的角色。但是由于需要访问dram，自然会带来延时的问题。

• cuda(compute unified device architecture)
  是显卡厂商NVIDIA推出的运算平台，采用并行计算架构，是GPU能够解决复杂的计算问题。包含了CUDA指令集架构以及GPU内部的并行计算引擎。
• 编程语言和数学基础
  1、Python、C++
  2、线性代数、概率统计、machine learning

参考书和公开课

开源框架

• caffe
• TensorFlow
• torch and maxnet
• FFmpeg：强大的视屏处理工具
  框架对比图
  

深入视觉学习

• 里程碑式的文献
  1、深度学习做目标检测，RCNN、Fast RCNN、Fater RCNN、SPPNET、SSD和YOLO等模型；
  2、深度学习做目标跟踪，DLT、SO-DLT等等；
  3、对抗网络GAN、CGAN、DCGAN、LAPGAN等等。
• 文献网站
  arxiv ：每天去更新一下别人最新的工作

视觉顶会

• ICCV：国际计算机视觉大会
• CVPR：国际计算机视觉与模式识别大会
• ECCV：欧洲计算机视觉大会

顶刊

• PAMI：IEEE 模式分析与机器智能杂志
• IJCV：国际计算机视觉杂志