2017-计算机行业人工智能“黑科技”：计算机视觉领域前沿一览_18页-2mb

计算机视觉领域前沿技术发展总结

核心内容

计算机视觉作为人工智能的重要分支，近年来在技术方法和应用领域均取得了显著进展。其研究目标是让计算机像人类一样理解图像和视频内容，包括识别、跟踪、测量等操作，并将其转化为更适合人眼观察或仪器检测的图像信息。

主要观点

• 技术发展：计算机视觉技术已从传统的图像处理方法迈入人工智能处理时代，借助海量数据集、机器学习（尤其是深度学习）以及高性能计算设备，计算机视觉的准确度和应用范围大幅提升。
• 深度学习的推动：卷积神经网络（CNN）是当前计算机视觉领域最流行且有效的技术，其在ImageNet竞赛中的表现显著优于传统方法，如Top5分类错误率从2012年的26.1%降至2016年的2.99%。
• 应用广泛：计算机视觉技术已渗透至自动驾驶、机器人、AR/VR、金融、安防、医疗等多个行业，成为推动这些领域智能化的重要技术支撑。
• 挑战赛与会议：ImageNet和MS COCO是计算机视觉领域两大知名挑战赛，而ICCV、CVPR、ECCV则是该领域三大顶级会议，它们不仅推动了技术研究，也促进了学术界与工业界的交流与合作。

关键信息

技术发展现状

• 传统图像处理技术已不能满足现代需求，模式识别和深度学习成为新的发展方向。
• ImageNet数据集的创建解决了数据标注难题，为计算机视觉提供了丰富的训练资源。
• 目标检测、定位、分割、关键点检测和图片描述等任务成为当前研究的重点。

知名研究机构和创业团队

• 国外机构：Google、微软、Facebook等科技巨头及斯坦福、MIT、伯克利等高校实验室在计算机视觉领域均有重要贡献。
• 国内创业团队：依图科技、商汤科技、旷视科技、云从科技、格灵深瞳等公司在图像识别、人脸识别等领域取得显著成果，部分团队成员来自国内外知名机构。

挑战赛概述

• ImageNet：被誉为计算机视觉领域的“奥林匹克”，其竞赛结果对技术发展和工业应用有重要影响。2016年ImageNet新增场景分割任务，中国团队在多个子项目中取得优异成绩。
• MS COCO：以复杂场景下的物体识别和描述为主，涵盖目标检测、分割、关键点检测和图片描述等多个任务。

顶级会议

• ICCV：IEEE国际计算机视觉大会，每两年召开一次，会议内容广泛，涵盖底层视觉、运动跟踪、场景识别等多个方向。
• CVPR：IEEE国际计算机视觉与模式识别会议，每年举办，影响力大，近年来深度学习占据主导地位。
• ECCV：欧洲计算机视觉国际会议，两年一次，主要来自欧美顶尖实验室，中国大陆的参与度相对较低。

应用领域

• 自动驾驶：依赖目标检测、定位等技术，实现对障碍物和道路的实时识别。
• 机器人：需具备视觉识别能力，以实现环境感知和交互。
• AR/VR：用于物体跟踪、动作识别、三维建模等，提升用户体验。
• 金融：通过人脸识别、指纹识别等技术实现身份验证和支付安全。
• 安防：应用于车牌识别、人脸识别、行为分析等，提升安全监控效率。
• 医疗：用于医学影像识别，辅助医生进行诊断和治疗。

投资建议

建议关注计算机视觉在自动驾驶、机器人、AR/VR、金融、安防及医疗等领域的应用进展，这些领域具备较高的商业化潜力和市场需求。

风险提示

• 实验室中的技术表现不等于实际应用效果。
• 不同行业的应用存在差异，技术落地可能受制于实际环境和需求。
• 技术发展存在不确定性，投资需谨慎评估。

图表目录

• 图1：计算机视觉与其他学科的相互关系
• 图2：ImageNet竞赛
• 图3：目标检测
• 图4：目标定位
• 图5：视频中的目标物体检测
• 图6：场景分类
• 图7：场景分割
• 图8：目标检测和分割
• 图9：关键点检测
• 图10：图片描述
• 图11：给机器“看电视剧”预测人类行为
• 图12：基于深度学习的手势识别
• 图13：微软全息“穿越”技术：HoloPortation
• 图14：人工智能为视频配音
• 图15：深度学习识别YouTube视频内容
• 图16：社会化行走机器人Jackrabbit懂礼貌会排队

相关报告

• 人工智能月报2016年10月期（2016-11-02）
• 人工智能月报2016年9月期（2016-10-09）
• 人工智能月报2016年8月期（2016-09-04）
• 人工智能商业化应用的“五要素模型”及各类参与主体竞争优势分析（2016-08-12）
• 从深蓝到AlphaGo:人工智能的二十年起伏（2016-07-14）