計算機視覺前沿技術探索

摘要： 計算機視覺與最前沿技術如何結合？

計算機視覺軟件正在改變行業，使用戶的生活變得不只更容易，並且更有趣。做爲一個有潛力的領域，計算機視覺已經得到了大量的投資。北美計算機視覺軟件市場的總投資額爲1.2億美圓，而中國市場則飆升至39億美圓。讓咱們來看看一些最有前途和更有趣的技術，由於這些技術可讓計算機視覺軟件開發市場增加的更快。

1、深度學習的進步

深度學習因其在提供準確結果方面而廣受歡迎。

傳統的機器學習算法儘管很複雜，但其核心仍然很是簡單。他們的訓練須要大量的專業領域的知識和數據（這是昂貴的），在訓練發生錯誤時須要進行人爲干預，並且，他們只擅長於他們接受過訓練的任務。

另外一方面，深度學習算法經過將任務映射爲概念層次結構的神經元網絡瞭解手頭的任務。每一個複雜的概念都由一系列更簡單的概念組合定義，而全部這些算法均可以本身完成。在計算機視覺的背景下，圖像分類須要首先識別亮區和暗區，而後在移向全畫面識別以前對線進行分類，而後進行形狀分類。

當你爲他們提供更多數據時，深度學習算法也會表現得更好，這是典型的機器學習算法作不到的。對於計算機視覺，深度學習是一個好的方向。它不只容許在深度學習算法的訓練中使用更多的圖片和視頻，並且還減輕了許多與註釋和標記數據相關的工做。

零售業一直是實施計算機視覺軟件的先驅。2017年，ASOS在爲他們的應用添加了一個按照照片搜索的選項，以後許多零售商都跟進了。有些人甚至更進一步，並使用計算機視覺軟件將在線和離線體驗更緊密地結合在一塊兒。

一家名爲Lolli＆Pops的美食糖果零售商使用面部識別來識別常常走進商店的購物者。所以，商店的員工能夠經過提供個性化的產品推薦和千人千面的折扣來個性化購物體驗。

特殊待遇能夠提高品牌忠誠度，並將偶爾的購物者轉變爲常常性購物者。

2、邊緣計算的興起

鏈接到互聯網和雲的機器可以從整個網絡收集的數據中學習並相應地進行調整，從而優化系統的性能。可是，並不能保證機器可以始終鏈接到互聯網和雲，這就是邊緣計算的用武之地。

邊緣計算是指附接到物理機器的技術，例如燃氣輪機，噴氣發動機或MRI掃描儀。它容許在收集數據的地方處理和分析數據，而不是在雲中或數據中心。

邊緣計算不能取代雲。它只是容許機器在須要時單獨處理新的數據。換句話說，邊緣的機器能夠根據本身的經驗學習和調整，而不依賴於更大的網絡。

邊緣計算解決了網絡可訪問性和延遲的問題。在邊緣計算的發展下，設備能夠放置在網絡鏈接不良或不存在的區域，此外，邊緣計算還能夠抵消用於數據共享的雲計算的使用和維護的一些成本。

對於計算機視覺軟件，這意味着能夠實時更好地響應，而且只將相關數據發送到雲中進行進一步分析，此功能對自動駕駛汽車特別有用。

爲了安全運行，車輛將須要收集和分析與其周圍環境，方向和天氣情況有關的大量數據，更不用說與路上的其餘車輛通訊，全部這些都沒有延遲。若是經過雲中心化的解決方案來分析數據可能很危險，由於延遲可能致使事故。

3、點雲（point cloud）對象識別

最近在對象識別和對象跟蹤中更頻繁使用的技術是點雲。簡而言之，點雲是在三維座標系內定義的數據點的集合。

該技術一般在空間（例如房間或容器）內使用，其中每一個對象的位置和形狀由座標列表（X，Y和Z）表示，座標列表稱爲「點雲」。

該技術準確地表示了物體在空間中的位置，而且能夠精確地跟蹤任何移動。點雲的應用是無止境的。如下是一些行業的例子以及他們從這項技術中得到的好處：

 

• ·       記錄：資產監測，跟蹤施工現場，故意破壞檢測；
• ·       分類：城市規劃，審計工具，便於分析，繪製必要的公用事業工做
• ·       變動檢測：資產管理，貨物跟蹤，天然災害管理。
• ·       預測性維護：持續監控資產和基礎設施，以預測什麼時候須要維修。

 

4、融合現實：VR和AR加強

今天，任何VR或AR系統都會建立一個沉浸式3D環境，但它與用戶所處的真實環境幾乎沒有關係。大多數AR設備能夠執行簡單的環境掃描（例如，Google ARCore能夠檢測平面和光線條件的變化），VR系統能夠經過頭部跟蹤，控制器等檢測用戶的運動，但他們的功能也就這樣了。

計算機視覺軟件正在推進VR和AR進入下一階段的開發，有些人稱之爲Merged Reality（MR）。

藉助外部攝像頭和傳感器映射環境，以及眼動跟蹤解決方案和陀螺儀來定位用戶，VR和AR系統可以：

• ·       感知環境並引導用戶遠離牆壁，物品或其餘用戶等障礙物。
• ·       檢測用戶的眼睛和身體運動並相應地採用VR環境。
• ·       提供室內環境，公共場所，地下等的指引。

Lowe's五金店已在他們的商店中使用它，每一個購物者均可以借用AR設備來製做他們的購物清單，並得到商店中每件商品的指示。AR設備能夠實時使用樓層平面圖，庫存信息和環境映射以給出準確的指示。

咱們也能夠經過實時3D面部識別功能更新虛擬藝術家應用程序，讓客戶能夠看到不一樣的化妝產品在他們的臉上和不一樣光線條件下的外觀。

5、語義實例分割

爲了理解語義實例分割是什麼，讓咱們首先將這個概念分爲兩​​部分：語義分割和實例分割。

實例分割在像素級別識別對象輪廓，而語義分割僅將像素分組到特定對象組。讓咱們使用氣球圖像來講明與其餘技術相比的兩種技術：

• ·       分類：此圖像中有一個氣球；
• ·       語義分割：這些都是氣球像素；
• ·       物體檢測：此圖像中有7個氣球，咱們開始考慮重疊的對象；
• ·       實例分割：這些位置有7個氣球，這些是屬於每一個氣球的像素；

若是放在一塊兒，語義實例分割方法將成爲一個強大的工具。該工具不只能夠檢測屬於圖片中對象的全部像素，還能夠肯定哪些像素屬於哪一個對象以及對象所在的圖片中的位置。

語義實例分割是土地覆蓋分類的有用工具，具備各類應用。經過衛星圖像進行的土地製圖能夠用於政府機構監測森林砍伐（特別是非法），城市化交通等。

許多建築師事務所也將這些數據用於城市規劃和建築開發，有些人甚至更進一步將其與AR設備相結1合，以瞭解他們的設計在現實生活中的樣子。

原文連接