精品久久久久久久久久久久久国语,欧美性做久久久久久久,亚洲福利欧美日韩午夜一区,精品久久影院66精品99

計算機視覺領域一般包括如下五類關鍵技術。

（1）圖像分類

圖像分類主要研究內(nèi)容是對圖像進行特征描述。通常，圖像分類算法通過手工特征或者特征學習方法對整個圖像進行全局描述，并依據(jù)圖像特征圖的不同語義信息進行分類，該技術廣泛應用于人臉識別、手寫文件或印刷識別、車輛識別等場景。常用的圖像分類模型包括：AlexNet[1]、VGG[2]、ResNet[3]、InceptionV4、MobileNetV3[4]、ShuffleNet等。

（2）目標檢測

作為計算機視覺的一個重要分支，目標檢測的任務是在一幅圖像或視頻中找到目標類別以及目標位置。與圖像分類不同，目標檢測側(cè)重于物體搜索，被檢測目標必須有固定的形狀和輪廓；而圖像分類可以是任意目標包括物體、屬性和場景等。目標檢測已在人臉識別和自動駕駛領域取得了非常顯著的效果，經(jīng)典的檢測模型有YOLOV3、SSD[t5]和Faster RCNN[6]。

（3）圖像分割

圖像分割指的是將數(shù)字圖像細分為多個圖像子區(qū)域（像素的集合，也被稱作超像素）的過程。圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。圖像語義分割是一個像素級別的物體識別，即每個像素點都要判斷它的類別。Mask R-CNN[7]就是一種經(jīng)典的實力分割網(wǎng)絡。

（4）場景文字識別

場景文字識別分為兩部分，首先通過目標檢測檢測出目標區(qū)域，然后通過CRNN-CTC模型將網(wǎng)絡特征轉(zhuǎn)為文字序列。場景文字識別廣泛應用于路牌識別、車牌檢測等領域。

（5）圖像生成

 圖像生成是指使用對抗網(wǎng)絡（GAN）根據(jù)輸入的隨機噪聲或向量生成目標圖像。生成器、識別器是對抗網(wǎng)絡（GAN）的重要組成部分。