一、影象分類 cnn

二、影象-目標檢測 rcnn YOLO演算法根式實現了快速實時的物體檢測

三、影象切割 U型網路粉墨登場 加入了maxpooling的反過程升維取樣

四、以圖搜圖 聚類

五、降噪 和恢復影象 gan 對抗學習

六、影象風格遷移 cycleGan 影象翻譯

七、在噪聲裡生成圖片來 依然是GAN，而且是最基礎的卷積GAN (DCGAN)就可以給你幹出來

計算機視覺：典型的技術路線是：目標分割 ——>目標檢測 ——>目標識別 ——>目標跟蹤

粗略的理解：

目標分割：畫素級的對前景與背景進行分類，將背景剔除；

目標檢測：定位目標，確定目標位置及大小；

目標識別：定性目標，確定目標是什麼；

目標跟蹤：追蹤目標運動軌跡。

舉個栗子，如：需要對視訊中的小明進行跟蹤，處理過程將經歷如下過程：

（1）首先，採集第一幀視訊影象，因為人臉部的膚色偏黃，因此可以通過顏色特徵將人臉與背景分割出來（目標分割）；

（2）分割出來後的影象有可能不僅僅包含人臉，可能還有部分環境中顏色也偏黃的物體，此時可以通過一定的形狀特徵將影象中所有的人臉準確找出來，確定其位置及範圍（目標檢測）；

（3）接下來需將影象中的所有人臉與小明的人臉特徵進行對比，找到匹配度最好的，從而確定哪個是小明（目標識別）；

（4）之後的每一幀就不需要像第一幀那樣在全圖中對小明進行檢測，而是可以根據小明的運動軌跡建立運動模型，通過模型對下一幀小明的位置進行預測，從而提升跟蹤的效率（目標跟蹤）