📘 吴恩达深度学习 - 1.1 计算机视觉

“人眼可以识别图像，机器必须理解图像的数学结构。”

---

✳️ 一、什么是计算机视觉（Computer Vision）？

计算机视觉是一门 让计算机具备“看”与“理解”能力的科学。

本节的核心任务是：

使机器学习系统能够从图像中“提取特征”、“识别结构”、“进行分类”。

✅ 本质定义：

• 输入是图像（二维矩阵或三维张量）

• 输出是我们对该图像的任务性理解（如识别、定位、分割）

---

🔍 二、图像的数学表示：本质是数字矩阵

我们将图片形式抽象为多维数组（tensor）：

例如，一张 64x64 的 RGB 彩色图像，本质是一个形状为 64×64×364 \times 64 \times 364×64×3 的张量。

---

📦 三、典型计算机视觉任务

任务类型	输入	输出	示例
图像分类	一张图片	一个标签	猫 vs 狗
目标检测	一张图片	位置框 + 标签	检测图中所有人脸
图像分割	一张图片	每个像素的分类	医学图像中的肿瘤分割
图像生成	随机向量	新图像	GAN 生成新的人脸

---

🧠 四、为何深度学习适合视觉？

图像有非常高维度，传统机器学习对特征提取依赖强，容易欠拟合。

深度学习具备如下优势：

• 端到端训练：直接从原始像素训练出特征提取 + 分类器

• 参数共享（尤其是 CNN 中）：大幅减少参数量，提升泛化能力

• 多层非线性组合：可提取出更抽象、更高阶的视觉语义特征

---

🧩 五、你需要掌握的基础知识

概念	说明
向量与张量	图像是张量的典型案例
卷积神经网络（CNN）	深度学习中视觉的核心架构
正向传播 / 反向传播	控制学习过程的梯度传播
激活函数（ReLU）	保持非线性能力，抑制梯度消失
池化（Pooling）	降维保特征，提升不变性

---

🎯 六、从图像走向智能：计算机视觉的意义

计算机视觉的目标不仅是 图像识别，更重要的是让 AI 拥有 环境感知 和 行为判断能力，构建完整的智能系统：

• 自动驾驶：识别交通标志、行人、车道线

• 医学诊断：判断 CT、X 光、MRI 图像中的异常

• 安防监控：检测非法入侵、行为异常等

• 工业质检：检测瑕疵与缺陷

---

✅ 总结一句话：

“计算机视觉不是让计算机‘看’，而是让它‘理解’：以像素为起点，以语义为目标。”