除了深度学习，计算机视觉还有哪些方向值得研究？

一、除了深度学习，计算机视觉还有哪些方向值得研究？

机器视觉的终极目的，是像生物一样，让机器拥有自己的视觉。顺着这个思路，机器视觉的目的和意义，就很明确了。明确了机器视觉的目的后，机器视觉的任务也就明确了。所以，机器视觉的任务，应该包括以下几类：1.三维空间机器视觉感知。2.基于视觉感知的视觉识别。3.加入时间参数后的机器视觉感知和识别，比如视觉定位，运动感知，物体追踪等。4.基于视觉感和知的基础上视觉概念的生成和对视觉事件的理解和解析。

综上，目前的深度学习技术只是完成了机器视觉任务的第二项任务中的一个小部分。存在的主要问题包括：1.深度学习技术只是定性，不能定量，例如，只知道识别物体，不知道物体的大小尺寸，因为不是基于三维空间数据，无法定量检测。反过来说，深度学习技术应该基于三维空间进行，这样就可以实现定量检测和准确识别。2.深度学习技术需要大样本，标注后的学习过程，无法实现无监督，小样本的示范性学习，学习时消耗的功率和算力太多。

所以，目前的深度学习技术开辟了机器自动学习的模式和时代，特别是大规模神经网络结构，开辟了机器向人类大脑结构学习的方法和思路。目前的机器深度学习技术架构以及基础的运算架构只是一种过渡性技术，不远的未来一定被其它具有自学习，自组织的架构所替代。机器视觉是机器学习技术的最佳应用场所，未来的趋势是基于三维数据的一次性示范学习，以及基于基本视觉元素和属性基础上的高阶机器视觉概念的自动生成和自动学习。

二、计算机视觉与机器学习（深度学习）领域有哪些必看的经典论文？

最近在读论文的时候会发现一个问题，有时候论文核心思想非常简单，核心代码可能也就十几行。但是打开作者release的源码时，却发现提出的模块嵌入到分类、检测、分割等代码框架中，导致代码比较冗余，对于特定任务框架不熟悉的我，很难找到核心代码，导致在论文和网络思想的理解上会有一定困难。因此，作为【论文复现项目】的补充，本项目的宗旨也是让世界上没有难读的论文。

资源整理自网络，源地址：https://github.com/xmu-xiaoma666/External-Attention-pytorch

目录

内容截图

三、图像处理、机器视觉、机器学习、深度学习，有什么区别呀？

图像处理：又称影像处理。是用计算机对图像进行分析，以达到所需结果的技术。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。

机器视觉：机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号; 图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器学习：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

机器学习有下面几种定义：

（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。

（2）机器学习是对能通过经验自动改进的计算机算法的研究。

（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

深度学习：深度学习是机器学习的一种，是机器学习领域中一个新的研究方向，深度学习基于仿生学。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。

希望我得回答能够对你有所帮助

四、计算机视觉常用哪些机器学习算法？

常用的聚类分类算法都有用到例如神经网络、支持向量机等时下最火的算法还是deep learning

五、机器视觉行业前景？

前景很好。毕竟现在工厂都要智能化，做检测的都可以用上机器视觉，用机器代替人工是大势所趋，我国的机器视觉行业还有很大的发展空间，从事这个行业肯定是不错的，感兴趣的话可以关注一下全帝科技，这也是一家做机器视觉的公司。

六、机器视觉未来前景？

食品包装质量检验需求量大 机器视觉市场增长迅速

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不视觉系统工作原理简图适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 新思界产业研究中心出具的《2020年全球及中国机器视觉产业深度研究报告》显示，预计全球机器视觉市场将从2020年的107亿美元增长到2025年的147亿美元，在预测期内的复合年增长率为6.5％。由于对质量检查和自动化的需求不断增长，对视觉引导机器人系统的需求不断增加，在汽车、建筑和基础设施、消费品、食品和包装等应用中越来越多地采用3D机器视觉系统，因此机器视觉市场正在增长。 通用机器视觉市场有望在机器视觉市场中占据最大份额 基于部署，机器视觉市场已细分为通用机器视觉系统和机器人单元。机器人会继续移动，这可能会导致图像模糊。机械手单元的成本比一般的机器视觉部署要高得多。因此，与机器人单元相比，一般的机器视觉系统被更广泛地部署。 预计在预测期间，软件机器视觉将以更快的速度增长 随着深度学习使机器能够识别对象，预计在预测期间内将AI集成到工业机器视觉软件中将推动软件工业机器视觉市场的增长。此外，基于深度学习的机器视觉软件有助于区分人为可接受的产品变化和制造行业中的缺陷，从而最大程度地减少了人为干预，并提供了实时解决方案。 在预测期内，质量保证和检验将在机器视觉市场中占据最大的市场份额 推动工业机器视觉市场用于质量保证和检查应用的增长的关键因素包括对优质产品的需求不断增加，制造能力不断提高以及熟练工人的短缺等。半导体和电子公司高度依赖视觉检测技术来检查其产品质量以及加快其生产过程。 在预测期内，食品和包装行业将在机器视觉市场中以最快的速度增长 食品工业是高度劳动密集型产业。人工成本大约是产品成本的50％，其中大部分是重复性工作，这导致不良的质量控制和事故。如果使用机器视觉系统通过自动化降低了人工成本，则总成本可能会降低。因此，为了提供质量保证和检查，最小化人工成本并提高效率，机器视觉系统在食品和包装行业中的应用程度最高。 2020年至2025年之间，亚太地区将在机器视觉市场中占据最大的市场份额 亚太地区的机器视觉市场预计将在预测期内占据主要市场份额，因为中国、日本、印度和韩国等亚太地区的国家拥有一些最大的制造设施，其中以制造过程的自动化为主要目标。此外，亚太地区的消费电子公司之间的激烈竞争可能会促进该地区机器视觉系统的采用。 2019年，机器视觉市场主要由Keyence（日本），Cognex（美国），Basler（德国），Omron Corporation（日本），National Instruments（美国），ISRA Vision AG（德国），Baumer Optronic（德国）主导。这些参与者已经采取了各种增长策略，例如产品发布、收购、合作伙伴关系和协议，以进一步扩大其在全球机器视觉市场的影响力。 康耐视（美国）是美国和全球机器视觉市场的主导者。康耐视提供用于自动化过程的机器视觉系统、软件、传感器、表面检查系统和工业ID读取器。 Keyence（日本）是全球机器视觉产品的主要参与者。该公司开发、制造和销售工厂自动化和控制设备、测量仪器、信息设备以及其他电子应用设备和系统。它是全球传感器，测量系统，激光制造商和机器视觉系统的领先供应商。

七、视觉与机器学习研究方向

视觉与机器学习研究方向

视觉与机器学习研究方向是当今人工智能领域备受关注的重要主题之一。通过整合视觉技术与机器学习算法，研究人员能够开发出先进的视觉识别系统，实现从图像或视频中获取、理解和处理信息的能力。这一研究领域涵盖了诸多重要的应用，如人脸识别、图像分类、目标检测等，对于推动人工智能技术的发展具有重要意义。

视觉与机器学习研究方向的基本概念

在视觉与机器学习研究方向中，有一些基本概念是研究人员需要深入了解和掌握的。首先，视觉技术涉及图像处理、计算机视觉和模式识别等领域的知识，其核心任务是对图像数据进行分析和理解。而机器学习算法则致力于让计算机系统能够从数据中学习规律和模式，以实现智能化的决策和预测能力。

在视觉与机器学习研究方向中，研究人员通常会探索如何将视觉数据与机器学习算法相结合，从而实现对图像数据的自动识别、分类和分析。这涉及到研究如何设计有效的特征提取方法、构建高性能的分类器模型以及优化机器学习算法的训练过程等方面。

视觉与机器学习研究方向的应用领域

视觉与机器学习研究方向在各个领域都有着广泛的应用。在医疗领域，研究人员利用视觉与机器学习技术进行医学图像识别和辅助诊断，帮助医生提高诊断准确性和效率。在智能交通领域，通过分析交通监控摄像头获取的图像数据，可以实现车辆识别、交通流量监测等功能，为交通管理和规划提供支持。

在安防领域，视觉与机器学习技术被广泛应用于视频监控系统中，实现对异常行为的检测和预警。此外，该技术还被应用于智能家居领域，如人脸识别门禁系统、智能摄像头等，提升家居安全和便利性。

视觉与机器学习研究方向的挑战与发展趋势

虽然视觉与机器学习技术在各个领域取得了显著的进展，但也面临着一些挑战。其中，数据质量、模型泛化能力、算法效率等问题是当前研究亟待解决的难题。此外，随着深度学习等技术的不断发展，如何进一步提升视觉与机器学习系统的性能和鲁棒性也是研究人员需要持续探索和改进的方向。

未来，随着人工智能技术的不断推进，视觉与机器学习研究将继续取得新的突破和进展。研究人员将不断探索更加有效的视觉特征提取方法、优化算法模型和推动视觉智能化应用在更多领域的落地。视觉与机器学习研究方向无疑将成为人工智能领域的重要发展方向之一。

八、机器人视觉前景？

机器人是未来的发展趋势，因此对机器人的整体发展都是很不错的。

九、计算机视觉哪个方向比较有前景？

计算机视觉有2个方向比较有发展前景：基于深度学习的和基于几何方法的。

　　基于深度学习的：

　　文字识别、图像识别、人脸识别、视频内容理解、医疗影像诊断、神经网络芯片、驾驶辅助等。

　　基于几何方法的：

　　虚拟现实、增强现实、三维重建、机器人、无人机、无人驾驶等

十、机器学习机器视觉电脑配置？

机器学习必须使用英伟达的显卡，可以使用CUDA显卡加速，减少训练模型的时间。显卡肯定是越多越好。我前几年用的是双路GTX1080Ti，现在显卡貌似价格还挺贵的，可以考虑下价格下来后入手RTX3080或者RTX3090，内存越大越好，32G或者64G加载大型数据集，需要占用很大内存。

处理器用英特尔酷睿i9 10900K，硬盘最好选固态1T