介紹

計算機視覺是數據科學世界中最熱門的研究領域之一。而且，它已經成為我們個人生活的一部分。我們都知道或不知道地使用各種功能，這些功能在后端運行計算機視覺技術。例如，我們在智能手機中使用面部解鎖。下圖有效地說明了人臉檢測的工作原理。

我選擇人臉檢測作為本文的開頭，因為我們都已經看到這是計算機視覺的一種應用。但是計算機視覺不僅限于此。在本文中，你將探索計算機視覺的更多有趣應用。

目錄

• 什么是計算機視覺？
• 使用計算機視覺進行姿態估計
• 使用Gans進行圖像轉換
• 開發社交距離工具的計算機視覺
• 將2D圖像轉換為3D模型
• 醫學圖像分析

什么是計算機視覺？

在進入計算機視覺應用程序世界之前，首先，讓我們了解一下計算機視覺是什么？簡而言之，計算機視覺是人工智能的一個多學科分支，旨在復制人類視覺的強大功能。

如果是正式定義，

“計算機視覺是一種實用工具，可以根據感知到的圖像對實際的物理對象和場景做出有用的決策”（Sockman＆Shapiro，2001）

計算機視覺通過諸如圖像分類，對象檢測，圖像分割，對象跟蹤，光學字符識別，圖像字幕等視覺識別技術來工作。我知道這些是很多技術術語，但理解它們并不難。只需看下面的圖片，你就會了解許多這些術語。

讓我們從第一張圖片開始。如果我問你圖片中有什么？你的答案將是，它是一只貓。這其實是對圖片進行了分類。這意味著基于圖像的分類標記圖像。這里的類別是“貓”。

現在你知道圖像的類別了。下一個問題是對象在圖像中的位置。當我們確定對象在框架中的位置并在其周圍創建一個邊界框時，這稱為定位。在第二張圖像中，我們已經確定了對象的位置并將其標記為貓。

下一項是對象檢測。在前兩種情況下，圖像中只有一個對象，但是如果存在多個對象該怎么辦。在這里，我們通過邊界框確定存在的實例及其位置。

在對象檢測中，我們使用形狀為正方形或矩形的邊界框，但是它不能告訴任何有關對象形狀的信息。實例分割會在每個對象周圍創建一個像素級蒙版。因此，實例分割使人們對圖像有了更深入的了解。

近期發展

深度學習方法的最新發展和技術的進步極大地提高了視覺識別系統的功能。結果，計算機視覺已被公司迅速采用。可以在整個工業領域看到成功的計算機視覺用例，從而擴大了應用范圍，并增加了對計算機視覺工具的需求。

現在，讓我們一起來看看計算機視覺的5個令人興奮的應用程序。

使用計算機視覺進行姿態估計

姿態估計是計算機視覺的一個很有趣的應用。你一定已經聽說過Posenet，它是用于人體姿態估計的開源模型。簡而言之，姿態估計是一種計算機視覺技術，可以推斷圖像/視頻中存在的人或物體的姿勢。

在討論姿態估計的工作之前，讓我們首先了解“人體姿勢骨架”。它是定義一個人的姿勢的一組坐標。一對坐標稱為肢體。此外，通過識別，定位和跟蹤圖像或視頻中人類姿勢骨架的關鍵點來執行姿態估計。

以下是人體姿態估計的一些應用-

• 用于實時體育分析或監視系統的活動識別。
• 增強現實體驗
• 訓練機器人
• 動畫和游戲

如果你想自己開發一個姿態估計模型，下面是一些可能用到的數據集：

• MPII http://human-pose.mpi-inf.mpg.de/
• COCO keypoint challenge https://cocodataset.org/#download
• HUMANEVA http://humaneva.is.tue.mpg.de/

使用Gans進行圖像轉換

Faceapp是一個非常有趣和流行的應用程序。它是一種圖像處理工具，可使用濾鏡轉換輸入圖像。過濾器可能包括老化或最近的一個性別交換過濾器。

看上面的圖片，有趣嗎？幾個月前，這是互聯網上的熱門話題。人們在交換性別后分享圖片。但是這類應用程序背后的技術是什么？是的，你猜對了，它是計算機視覺，更具體地說，它是一個深層次的卷積生成的對抗性網絡。

生成對抗網絡，俗稱GAN，是計算機視覺領域的一項令人振奮的創新。盡管GAN是一個古老的概念，但目前的形式是由Ian Goodfello在2014年提出的。從那以后，它有了許多發展。

GAN的訓練涉及兩個相互競爭的神經網絡，根據給定訓練數據的分布生成新的數據。盡管最初提出作為一種無監督學習機制，但是GAN證明了自己是有監督學習和半監督學習的理想選擇。

以下是一些數據集，可幫助你獲得GANs的實踐經驗

• CelebA http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
• Flicker face dataset https://github.com/NVlabs/ffhq-dataset
• Cartoonset https://google.github.io/cartoonset/

應用領域

使用Gans生成的圖像的應用程序有很多。以下是它的一些應用程序

• 風格遷移和照片修復中的圖像到圖像翻譯
• 圖像超分辨率
• 文字到圖像的生成
• 圖片編輯
• 語義圖像到照片的翻譯

如果你發現更有趣的內容，請留言告訴我。

開發社交距離工具的計算機視覺

在過去的幾個月中，世界正遭受大流行COVID-19的困擾。發現在沒有該疾病的疫苗之前，我們所有人都必須采取預防措施，使用洗手液，口罩，最重要的是保持社交距離。

在這種關鍵情況下，計算機視覺技術可以發揮至關重要的作用。它可用于跟蹤房屋或特定區域中的人員，以了解他們是否遵守社會距離規范。

社交距離工具是對象檢測和實時跟蹤的應用程序。在這種情況下，為了檢查社交距離違規行為，我們使用邊界框檢測視頻中存在的每個人。稍后，我們跟蹤框架中每個框的運動并計算它們之間的距離。如果它檢測到任何違反社會距離規范的行為，則將突出顯示那些邊界框。

此外，為使這些工具更先進，更準確，你可以使用遷移學習技術。各種預訓練的對象檢測模型（如YOLO或Mask R-CNN）也都存在。

將2D圖像轉換為3D模型

這是計算機視覺的另一個非常有趣的應用。它將二維圖像轉換為3D模型。例如，假設你有舊收藏中的一張照片，并且能夠將其轉換為3D模型并像在那兒一樣進行檢查。

Deep Mind的研究人員提出了一個在相似的系統上工作的AI系統。它被稱為Generative Query Network（生成查詢網絡），它可以像人類一樣從不同角度感知圖像。

此外，Nvidia還開發了一種AI架構，可以根據圖像預測3D屬性。同樣，Facebook AI提供了一種類似的工具，稱為3D照片功能。

以下是一些相關的數據集，可供你進行試驗

• IKEA dataset http://ikea.csail.mit.edu/
• Opensurface dataset http://opensurfaces.cs.cornell.edu/
• NYU Depth dataset https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html
• ObjectNet3D https://cvgl.stanford.edu/projects/objectnet3d/

應用領域

現在，你必須考慮該技術的用例。以下是其應用

• 動畫與游戲
• 機器人技術
• 自動駕駛汽車
• 醫學診斷和外科手術

醫療保健中的計算機視覺：醫學圖像分析

很長一段時間以來，計算機支持的醫學圖像被用于診斷，如CT掃描、X射線等。此外，計算機視覺技術的最新發展使醫生能夠通過將圖像轉換為三維交互式模型來更好地理解這些圖像，并使其更易于解釋。

如果我們看一下計算機視覺的最新使用案例，那么我們會發現它是在用胸部x光檢查COVID-19病例。此外，根據武漢市放射科的一項研究，深度學習方法可以有效地區分Covid-19和社區獲得性肺炎。

檢查一下由Kaggle提供的COVID-19胸部x光數據集，并在實施過程中自己動手。

• COVID-19胸部x光數據集：https://www.kaggle.com/bachrr/covid-chest-xray

同時，如果你想在另一個數據集上工作，那么你也可以在Kaggle上獲得CT醫學圖像（https://www.kaggle.com/kmader/siim-medical-images） 。

尾注

總而言之，計算機視覺是人工智能的一個引人入勝的領域。在本文中，我討論了一些我發現很有趣的東西。但這只是冰山一角。