計算機視覺領(lǐng)域正在從統(tǒng)計方法轉(zhuǎn)向深度學習神經(jīng)網(wǎng)絡(luò)方法。

計算機視覺中仍有許多具有挑戰(zhàn)性的問題需要解決。然而，深度學習方法正在針對某些特定問題取得最新成果。

在最基本的問題上，最有趣的不僅僅是深度學習模型的表現(xiàn);事實上，單個模型可以從圖像中學習意義并執(zhí)行視覺任務(wù)，從而無需使用專門的手工制作方法。

在這篇文章中，您將發(fā)現(xiàn)九個有趣的計算機視覺任務(wù)，其中深度學習方法取得了一些進展。

讓我們開始吧。

概觀

在這篇文章中，我們將研究以下使用深度學習的計算機視覺問題：

圖像分類

具有本地化的圖像分類

物體檢測

對象分割

圖像樣式轉(zhuǎn)移

圖像著色

影像重建

圖像超分辨率

圖像合成

其他問題

注意，當涉及圖像分類（識別）任務(wù)時，已采用ILSVRC的命名約定。雖然任務(wù)集中在圖像上，但它們可以推廣到視頻幀。

我試圖關(guān)注您可能感興趣的最終用戶問題的類型，而不是深度學習能夠做得更好的學術(shù)問題。

每個示例都提供了問題的描述，示例以及對演示方法和結(jié)果的論文的引用。

圖像分類

圖像分類涉及為整個圖像或照片分配標簽。

該問題也被稱為“對象分類”，并且可能更一般地稱為“圖像識別”，盡管后一任務(wù)可以應用于與分類圖像內(nèi)容相關(guān)的更廣泛的任務(wù)集。

圖像分類的一些示例包括：

1、將X射線標記為癌癥與否（二元分類）。

2、對手寫數(shù)字進行分類（多類分類）。

3、為臉部照片指定名稱（多類別分類）。

用作基準問題的圖像分類的流行示例是MNIST數(shù)據(jù)集。

分類數(shù)字照片的流行真實版本是街景房號（SVHN）數(shù)據(jù)集。

有許多圖像分類任務(wù)涉及對象的照片。兩個流行的例子包括CIFAR-10和CIFAR-100數(shù)據(jù)集，這些數(shù)據(jù)集的照片分別分為10類和100類。

大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）是一項年度競賽，其中團隊在從ImageNet數(shù)據(jù)庫中提取的數(shù)據(jù)上競爭一系列計算機視覺任務(wù)的最佳性能。圖像分類方面的許多重要進步來自于發(fā)布在該挑戰(zhàn)或來自該挑戰(zhàn)的任務(wù)的論文，最值得注意的是關(guān)于圖像分類任務(wù)的早期論文。例如：

使用深度卷積神經(jīng)網(wǎng)絡(luò)的ImageNet分類，2012。

用于大規(guī)模圖像識別的非常深的卷積網(wǎng)絡(luò)，2014。

圍繞卷積更深入，2015年。

圖像識別的深度殘留學習，2015年。

具有本地化的圖像分類

具有本地化的圖像分類涉及為圖像分配類標簽并通過邊界框（在對象周圍繪制框）來顯示圖像中對象的位置。

這是一個更具挑戰(zhàn)性的圖像分類版本。

本地化圖像分類的一些示例包括：

1.將X射線標記為癌癥或在癌癥區(qū)域周圍畫一個盒子。

2.在每個場景中對動物的照片進行分類并在動物周圍畫一個盒子。

用于具有定位的圖像分類的經(jīng)典數(shù)據(jù)集是PASCAL視覺對象類數(shù)據(jù)集，或簡稱為PASCAL VOC（例如VOC 2012）。這些是多年來在計算機視覺挑戰(zhàn)中使用的數(shù)據(jù)集。

該任務(wù)可以涉及在圖像中的同一對象的多個示例周圍添加邊界框。因此，該任務(wù)有時可稱為“對象檢測”。

用于本地化圖像分類的ILSVRC2016數(shù)據(jù)集是一個流行的數(shù)據(jù)集，包含150,000張照片和1000種對象。

關(guān)于本地化圖像分類的論文的一些例子包括：

選擇性搜索對象識別，2013年。

用于精確對象檢測和語義分割的豐富特征層次結(jié)構(gòu)，2014年。

快速R-CNN，2015年。

物體檢測

物體檢測是具有定位的圖像分類的任務(wù)，盡管圖像可能包含需要定位和分類的多個對象。

與簡單的圖像分類或具有定位的圖像分類相比，這是一項更具挑戰(zhàn)性的任務(wù)，因為在不同類型的圖像中通常存在多個對象。

通常，使用并展示用于具有定位的圖像分類的技術(shù)用于對象檢測。

對象檢測的一些示例包括：

繪制邊界框并標記街道場景中的每個對象。

繪制邊界框并在室內(nèi)照片中標記每個對象。

繪制邊界框并在橫向中標記每個對象。

PASCAL Visual Object Classes數(shù)據(jù)集或簡稱PASCAL VOC（例如VOC 2012）是用于對象檢測的常見數(shù)據(jù)集。

用于多個計算機視覺任務(wù)的另一個數(shù)據(jù)集是Microsoft的上下文數(shù)據(jù)集中的公共對象，通常稱為MS COCO。

關(guān)于物體檢測的論文的一些例子包括：

OverFeat：使用卷積網(wǎng)絡(luò)的集成識別，本地化和檢測，2014年。

更快的R-CNN：利用區(qū)域提案網(wǎng)絡(luò)實現(xiàn)實時目標檢測，2015年。

您只看一次：統(tǒng)一，實時對象檢測，2015年。

對象分割

對象分割或語義分割是對象檢測的任務(wù)，其中在圖像中檢測到的每個對象周圍繪制線。圖像分割是將圖像分成段的更普遍的問題。

對象檢測有時也稱為對象分割。

與涉及使用邊界框來識別對象的對象檢測不同，對象分割識別圖像中屬于對象的特定像素。這就像一個細粒度的本地化。

更一般地，“圖像分割”可以指將圖像中的所有像素分割成不同類別的對象。

同樣，VOC 2012和MS COCO數(shù)據(jù)集可用于對象分割。

KITTI Vision Benchmark Suite是另一種流行的對象分割數(shù)據(jù)集，提供用于自動駕駛車輛訓練模型的街道圖像。

關(guān)于對象分割的一些示例論文包括：

同步檢測和分割，2014年。

用于語義分割的完全卷積網(wǎng)絡(luò)，2015。

用于對象分割和細粒度本地化的超級列，2015。

SegNet：用于圖像分割的深度卷積編碼器 - 解碼器架構(gòu)，2016。

Mask R-CNN，2017年。

風格轉(zhuǎn)移

風格轉(zhuǎn)移或神經(jīng)風格轉(zhuǎn)移是從一個或多個圖像學習風格并將該風格應用于新圖像的任務(wù)。

該任務(wù)可以被認為是一種可能沒有客觀評價的照片濾波器或變換。

例子包括將特定著名藝術(shù)品（例如Pablo Picasso或Vincent van Gogh）的風格應用于新照片。

數(shù)據(jù)集通常涉及使用公共領(lǐng)域的著名藝術(shù)作品和標準計算機視覺數(shù)據(jù)集中的照片。

一些論文包括：

藝術(shù)風格的神經(jīng)算法，2015。

使用卷積神經(jīng)網(wǎng)絡(luò)的圖像樣式轉(zhuǎn)移，2016。

圖像著色

圖像著色或神經(jīng)著色涉及將灰度圖像轉(zhuǎn)換為全色圖像。

該任務(wù)可以被認為是一種可能沒有客觀評價的照片濾波器或變換。

例子包括著色舊的黑白照片和電影。

數(shù)據(jù)集通常涉及使用現(xiàn)有的照片數(shù)據(jù)集并創(chuàng)建模型必須學習著色的照片的灰度版本。

一些論文包括：

彩色圖像著色，2016年。

讓我們有顏色：全球和本地圖像的聯(lián)合端到端學習，用于同步分類的自動圖像著色，2016。

深色著色，2016。

影像重建

圖像重建和圖像修復是填充圖像的缺失或損壞部分的任務(wù)。

該任務(wù)可以被認為是一種可能沒有客觀評價的照片濾波器或變換。

示例包括重建舊的，損壞的黑白照片和電影（例如照片恢復）。

數(shù)據(jù)集通常涉及使用現(xiàn)有的照片數(shù)據(jù)集并創(chuàng)建模型必須學會修復的損壞版本的照片。

一些論文包括：

像素回歸神經(jīng)網(wǎng)絡(luò)，2016年。

使用部分卷積的圖像修復不規(guī)則孔，2018年。

使用具有帶通濾波的深度神經(jīng)網(wǎng)絡(luò)進行高度可擴展的圖像重建，2018年。

圖像超分辨率

圖像超分辨率是生成具有比原始圖像更高分辨率和細節(jié)的圖像的新版本的任務(wù)。

通常為圖像超分辨率開發(fā)的模型可用于圖像恢復和修復，因為它們解決了相關(guān)問題。

數(shù)據(jù)集通常涉及使用現(xiàn)有的照片數(shù)據(jù)集并創(chuàng)建縮小版照片，模型必須學會創(chuàng)建超分辨率版本。

一些論文包括：

使用生成對抗網(wǎng)絡(luò)的照片真實單圖像超分辨率，2017。

深拉普拉斯金字塔網(wǎng)絡(luò)，快速準確的超分辨率，2017。

Deep Image Prior，2017。

圖像合成

圖像合成是生成現(xiàn)有圖像或全新圖像的目標修改的任務(wù)。

這是一個非常廣泛的領(lǐng)域，正在迅速發(fā)展。

它可能包括圖像和視頻的小修改（例如圖像到圖像的翻譯），例如：

更改場景中對象的樣式。

將對象添加到場景中。

將面添加到場景中。

它還可能包括生成全新的圖像，例如：

1、生成面孔。

2、生成浴室。

3、生成衣服。

一些論文包括：

用深度卷積生成對抗網(wǎng)絡(luò)學習無監(jiān)督表示，2015。

使用PixelCNN解碼器生成條件圖像，2016。

使用周期一致的對抗網(wǎng)絡(luò)進行不成對的圖像到圖像轉(zhuǎn)換，2017。

其他問題

還有其他重要且有趣的問題我沒有涉及，因為它們不是純粹的計算機視覺任務(wù)。

值得注意的例子是圖像到文本和文本到圖像：

1、圖像字幕：生成圖像的文本描述。

Show and Tell：神經(jīng)圖像標題生成器，2014。

2、圖像描述：生成圖像中每個對象的文本描述。

用于生成圖像描述的深層視覺語義對齊，2015。

3、文本到圖像：基于文本描述合成圖像。

AttnGAN：使用注意生成對抗網(wǎng)絡(luò)生成細粒度文本到圖像，2017。

據(jù)推測，人們學會在其他模態(tài)和圖像之間進行映射，例如音頻。

總結(jié)

在這篇文章中，您發(fā)現(xiàn)了九種深度學習應用于計算機視覺任務(wù)。

編輯：黃飛

?