视觉
我们大多数人都知道阳光是维持地球生命的原因，但你有没有想过这如何塑造了我们的生活？首先，地球上的几乎所有生物都有某种感知阳光的方式（甚至一些细菌和单细胞生物）。人类也拥有这种能力，但我们拥有更复杂的系统来与光线互动。我们通过透镜捕捉光线，然后透镜在我们的眼睛中发出电信号，电信号通过类似电缆的结构（我们的神经系统）传递，然后信号被重建，以便在我们的大脑中告诉我们周围的环境是什么样子。
这个过程就是我们所说的视觉。它是我们进化的一个基本步骤。它非常重要，以至于科学家推测集中神经系统（最终导致我们的大脑）的演化是在视觉出现之后才发生的。有道理，如果没有传感器捕捉如此大量的信息，为什么要浪费资源来制造开发这些信息的必要机制呢？
视觉对人类的意义
如果你曾经自发地踢过球，你的大脑会在瞬间无意识地完成无数的任务。它正确地识别了球，跟踪球的运动，预测球的轨迹，计算球到达你位置的速度，预测你的脚的轨迹，调整撞击的力量和角度，并将信号从你的大脑传送到你的脚，改变你的位置。将图像作为输入（在本例中是我们的视网膜捕捉到的信号）并将其转换为信息（踢球）是计算机视觉的核心。我们将在下一章详细讨论这个过程。
令人震惊的是，我们不需要任何正规教育就能做到这一点。在日常生活中，我们不会为了大多数决定而上课堂。没有“心理数学 101”可以估计踢球所需的脚部力量。我们是在成长的过程中通过反复试验学到的。有些人可能根本没有学过。这与我们构建程序的方式形成了鲜明的对比。程序大多是基于规则的。
让我们尝试复制大脑完成的第一个任务：检测到一个球。一种方法是定义什么是球，然后在图像中详尽地搜索一个球。定义什么是球实际上很困难。球可以像网球一样小，也可以像 Zorb 球一样大，所以尺寸对我们帮助不大。我们可以尝试描述它的形状，但有些球，比如橄榄球，并不总是完美的球形。并非所有球形物体都是球，否则气泡、糖果，甚至我们的星球都将被认为是球。
纯编程与机器学习方法
我们可以做一个初步的定义，说“球是用于运动或玩耍的球形物体”。这似乎是正确的，但我们遇到了另一个问题。你怎么知道他们在玩运动？你用什么来检测他们在做这件事？如果是一个拿着球的狗呢？那不是球吗？如果球是单独的，没有人在场，也没有运动？但是羽毛球怎么办？它是一种我们用来玩耍的东西，它不是完美的球形，但我们不认为它是球。所有这些细微差别加起来，使得人类无意识解决的简单问题已经很难分解成简单的规则。
我们自己知道这些事情。这种隐含的理解来自我们多年来对球体形状的心理图像的构建。虽然羽毛球不符合我们对球的心理图像，但很难解释为什么。这不仅仅是因为它的尺寸或羽毛。还有尺寸相似的球，即使我们用羽毛覆盖一个球，我们仍然会把它认作球。
所有这些都是为了向你展示，我们区分物体的能力超出了严格的定义；我们经常从相关概念中进行泛化，并依赖于上下文线索。当一个熟悉的概念以不同的形式出现时，我们仍然可以识别它，而不会感到明显的困扰——这种能力对我们来说是自然的。然而，它并不是由受严格、硬编码规则支配的系统固有的。
这强调了更强大的系统的必要性——能够适应各种场景的系统。这就是为什么这个领域与人工智能密切相关。视觉充满了上下文，我们需要能够像我们一样利用这些线索的模型。
让我们以印第安纳·琼斯躲避巨石为例。那里有一个球，有人在跑步，但很少有人会称之为运动！我们之所以知道这一点，是因为我们依赖于一些上下文线索。印第安纳·琼斯躲避的巨石看起来很重，而且比他大两倍。他的脸上反映出他的痛苦。空间非常狭窄，看起来像一个洞穴，这在运动中很不常见。此外，我们认出了他的服装，那通常不是运动员的穿着方式。
创建能够模拟人类视觉和认知的人工系统的动机
尽管人类视觉和计算机视觉具有相似的输入和输出，但它们是不同的过程。 有时它们会重叠。 但是，计算机视觉主要关注视觉系统及其决策中算法和模型的开发和理解。 它不受限于创建复制人类视觉的系统。 它可以用于人类完成起来过于繁琐、耗时、昂贵或容易出错的问题。 我们的球示例仍然是一个简单的例子，您可能认为它没有太大用处。 然而，能够跟踪球的模型可以用于体育赛事，在比赛过程中提供更快、更公平的决策。 随着图像到文本和文本到语音模型的普及，我们还可以通过自动跟踪球及其球员并实时描述它们，使视力障碍者更易于观看现场体育赛事。 因此，即使是简单的用例也能对社会产生积极的影响。 我们将在第 3 节中详细讨论这一点。
我们现在正处于人工智能复兴的边缘。 一个我们可以自由地训练、部署和共享模型的时刻。 一个我们的模型可以检测图像中我们自己无法看到的事物的时刻。
计算机视觉的局限性也得到了扩展。 我们现在可以从文本中生成图像，并将图像描述为文本。 而且我们可以从我们的智能手机上做到这一点。 计算机视觉应用程序无处不在。 这些可能性由我们探索，而这正是我们在本课程中要做的。
欢迎来到计算机视觉领域。 坐下来，享受旅程。 它将会令人惊叹。
< > 更新 在 GitHub 上