原创力文档- 1、本文档共9页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
人工智能与机器学习基础知识——计算机视觉发展史
计算机视觉发展史1990-2000年代，机器学习方法机器学习技术是从大量的数据中来构造模型。因此，机器学习离不开大规模的数据集。这一时期也是互联网迅猛发展的时期计算机视觉领域的大规模数据集也应运而生
计算机视觉发展史FDDB数据集该数据集用于人脸检测。采用人工标注的方式，对数据集包含的每一张人脸，用框给框起来。FDDB数据集包含了2845张图像，一共标注了5171张人脸的位置。计算机可以从这些标注好的数据中，使用机器学习技术来学习如何检测人脸。
计算机视觉发展史PASCALVOC数据集PASCAL数据集包含了20种类别的图片，每种图片的数量在一千至一万张不等。
计算机视觉发展史ImageNet数据集包含总计两万两千种类别，图片数量超过一千四百万张。ImageNet数据集已经成为计算机视觉的标准测试数据。
计算机视觉发展史1990-2000年代，机器学习方法机器学习方法在很多情况下能获得较好的效果，但在2010年之后也逐渐遇到了瓶颈。ABC针对具体任务进行特征的设计，需要丰富的经验，并且需要根据任务的场景进行大量的调试工作；随着任务越来越复杂，机器学习模型的选择和调试也变得更复杂；如何选择适合的特征、并搭配合适的机器学习算法，以获得最优的效果，变得日益困难。
计算机视觉发展史2012年以后，深度学习2012年，深度学习带来了计算机视觉的突破。在ILSVRC竞赛中，Hinton教授研究组使用深度卷积神经网络将ImageNet数据集上图像分类的错误由26%降低到了15%。此后短短几年内，各种深度神经网络技术迅猛发展。2015年ILSVRC的错误率已经降到了3.6%，已经低于人类的错误率了。深度学习基本上解决了物体分类问题。
计算机视觉发展史深度学习的优点ABC深度神经网络具有复杂的参数结构，可以使用同一个模型来解决问题；不需要专家提供知识，由深度神经网络自动进行特征学习和表征；基于深度学习的计算机视觉技术，从原理上更加符合人类视觉的工作机制，容易吸收脑科学和神经科学的研究成果。
文档评论（0）