{
  "id": "computer-vision",
  "title": "计算机视觉",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "计算机视觉研究从图像、视频及其他视觉测量数据中提取物体、场景和活动信息的计算方法。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "concept",
  "aliases": [
    "CV",
    "机器视觉"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/computer-vision/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/computer-vision/",
      "json": "https://aiwiki.page/en/computer-vision.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "计算机视觉是计算机科学的一个领域，致力于从图像、视频及其他视觉测量数据中提取有意义的信息。其方法用于识别物体、估计运动和三维结构，以及解释场景中的各种关系。计算机视觉与人工智能密切相关，将图像形成的计算模型与统计方法和基于学习的方法相结合。其输出可以是类别标签、物体位置、测量结果或重建的环境，而不一定是图像本身。(link.springer.com)"
    },
    {
      "heading": "基础与研究范围",
      "text": "数字图像在像素网格上记录测量值，通常包含独立的颜色通道。这些测量值取决于光照、表面性质、相机位置和传感器特性。因此，要从中获取现实世界的信息，就必须考虑观测数据的形成过程。几何学描述空间关系和投影，光学则描述光与成像的相关特性。许多视觉任务都属于逆问题：不同的物理场景可能产生相似的观测结果，因此需要额外的假设或测量数据。(cs.jhu.edu)\n\n计算机视觉与图像处理有交集，后者涵盖滤波、增强和图像变换，而计算机视觉更侧重于对图像所呈现内容的推断。它也与计算机图形学有所交集，尤其是在重建和渲染方面。这些领域之间并没有绝对的界限：图像复原可以辅助识别，几何重建则可以为图形学提供模型。(cs.jhu.edu)"
    },
    {
      "heading": "主要任务",
      "text": "图像分类将图像归入一个或多个类别，例如识别图像中的主要物体或场景类型。目标检测还要确定各个物体的位置，通常使用边界框表示。因此，一张包含多辆车的照片可能只有一个图像级标签，却有多个独立的检测结果。(cs231n.stanford.edu)\n\n语义分割为每个像素分配类别，从而区分道路、建筑物和植被等区域。实例分割还会将属于同一类别的不同物体区分开来。姿态估计用于定位具有特定意义的关键点，例如人体关节；跟踪则将连续视频帧中的物体关联起来。这些任务所需输出的结构和细节程度各不相同。(cs231n.stanford.edu)\n\n几何任务包括估计深度、恢复相机运动以及重建三维场景。立体视觉利用不同视角下相互对应的观测之间的差异。光流估计图像在相邻帧之间的表观运动；这种运动既可能反映物体的移动，也可能反映相机的运动。图像配准对齐不同的观测图像，可用于全景拼接和不同时刻的图像比较等应用。(cs.jhu.edu)"
    },
    {
      "heading": "方法与发展历程",
      "text": "传统处理流程通常结合预处理、特征提取、匹配以及针对特定任务的决策规则。特征用于描述边缘、角点、纹理或具有辨识度的局部模式。随后，几何方法可以估计变换或场景结构，分类器则利用这些描述子识别类别。这类方法将视觉表示的构建与后续推断明确分开。(cs.jhu.edu)\n\n机器学习引入了从样本中学习决策规则的数据驱动模型。深度学习进一步拓展了这一思路，在学习最终预测的同时学习多层表示。卷积神经网络利用图像的局部结构，并在不同空间位置共享滤波器，与结构类似的全连接网络相比，减少了参数数量。(papers.nips.cc)\n\n2012 年，AlexNet在ImageNet 大规模视觉识别挑战赛中展示了显著提升的大规模识别性能。其训练结合了深度卷积架构、图形处理器以及抑制过拟合的技术。相关的ImageNet 数据集提供了大量带标签的图像，用于学习和评估。(papers.nips.cc)\n\n2020 年的一篇论文提出了视觉Transformer，表明图像识别也可以使用对图像块序列进行处理的Transformer架构。其结果证明，先进行大规模预训练，再迁移到下游识别任务的方式十分有效，而且无需使用卷积骨干网络。(arxiv.org)"
    },
    {
      "heading": "训练与评估",
      "text": "在监督学习中，每个样本都将图像与适合相应任务的标注配对，包括类别标签、边界框、像素掩码或关键点。损失函数衡量预测结果与目标之间的差异。神经网络训练通过反向传播和数值优化来调整参数。不同任务对标注的要求差异很大，这会影响数据集的构建和训练成本。(cs231n.github.io)\n\n数据增强通过裁剪、镜像翻转或颜色调整等方式，生成训练样本的变体。这些变换必须保持预期的预测目标不变。迁移学习复用在其他数据集上学到的表示，通常是调整预训练网络，而不是从头学习所有参数。在带标签的样本有限时，这两种技术都可能有所帮助。(papers.nips.cc)\n\n验证集用于辅助模型选择，而独立的测试集则在这些选择确定后用于估计性能。分类准确率衡量正确预测所占的比例；目标检测的评估还考虑定位表现以及精确率与召回率的关系。分割任务通常衡量预测区域与参考区域之间的重叠程度。评估分数只有结合数据集、标注规则和评估方案才有意义。(cs231n.github.io)"
    },
    {
      "heading": "应用与局限",
      "text": "计算机视觉的应用包括制造业检测、文档分析、照片拼接、视觉搜索和三维建模。在机器人学中，视觉测量帮助系统估计位置并感知周围环境。不同应用对准确性、处理速度和空间精度有不同要求。(link.springer.com)\n\n识别性能仍然容易受到视角、光照、遮挡、杂乱背景和类内差异的影响。模型必须区分与任务相关的差异，同时容忍那些不应改变预测结果的变化。因此，在一个数据集上表现出色，并不能证明模型在所有运行条件下都具有同等性能。(cs231n.github.io)\n\n人脸识别评估说明了针对具体应用开展测试的重要性。美国国家标准与技术研究院（NIST）2019 年的一项研究记录了众多受测算法在不同人口群体间的错误率差异，结果因算法和匹配任务而异。NIST 还指出，图像质量是影响假阴性率的重要因素。这些发现针对的是特定系统和评估条件，而非所有视觉方法普遍具有的特性。(nist.gov)"
    }
  ],
  "links": [
    "computer-science",
    "artificial-intelligence",
    "geometry",
    "optics",
    "inverse-problem",
    "image-processing",
    "image-classification",
    "object-detection",
    "semantic-segmentation",
    "optical-flow",
    "feature-extraction",
    "machine-learning",
    "deep-learning",
    "convolutional-neural-network",
    "alexnet",
    "imagenet-large-scale-visual-recognition-challenge",
    "graphics-processing-unit",
    "imagenet",
    "vision-transformer",
    "transformer-architecture",
    "supervised-learning",
    "loss-function",
    "backpropagation",
    "data-augmentation",
    "transfer-learning",
    "validation-set",
    "test-set",
    "robotics"
  ],
  "sources": [
    {
      "title": "link.springer.com/book/10.1007/978-1-84882-935-0",
      "url": "https://link.springer.com/book/10.1007/978-1-84882-935-0"
    },
    {
      "title": "cs.jhu.edu/~ayuille1/courses/Stat238-Winter10/SzeliskiBook_20100227_draft.pdf",
      "url": "https://www.cs.jhu.edu/~ayuille1/courses/Stat238-Winter10/SzeliskiBook_20100227_draft.pdf"
    },
    {
      "title": "cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf",
      "url": "https://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf"
    },
    {
      "title": "papers.nips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Pap…",
      "url": "https://papers.nips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf"
    },
    {
      "title": "arxiv.org/abs/2010.11929",
      "url": "https://arxiv.org/abs/2010.11929"
    },
    {
      "title": "cs231n.github.io",
      "url": "https://cs231n.github.io/"
    },
    {
      "title": "cs231n.github.io/classification/",
      "url": "https://cs231n.github.io/classification/"
    },
    {
      "title": "nist.gov/publications/face-recognition-vendor-test-part-3-demographic-effects",
      "url": "https://www.nist.gov/publications/face-recognition-vendor-test-part-3-demographic-effects"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}