1. 计算机视频重要分类
计算机视觉的重要任务可以大致分为以下几类：
1. 图像分类（Image Classification）
识别图像属于哪个类别，例如猫、狗、汽车等。
- 应用场景：物品识别、人脸识别、医疗影像分类。
- 代表模型：ResNet、EfficientNet、ViT（Vision Transformer）。
2. 目标检测（Object Detection）
识别图像中目标的位置（边界框）及类别。
- 应用场景：自动驾驶、安防监控、人流统计。
- 代表模型：Faster R-CNN、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）。
3. 语义分割（Semantic Segmentation）
对图像中的每个像素进行分类，区分不同物体类别。
- 应用场景：医学影像分析（病灶检测）、自动驾驶（车道识别）。
- 代表模型：U-Net、DeepLabV3+、SegFormer。
4. 实例分割（Instance Segmentation）
类似语义分割，但能够区分同类别不同实例的像素区域。
- 应用场景：自动驾驶（车辆、人等实例级分割）、工业检测。
- 代表模型：Mask R-CNN、YOLACT、CondInst。
5. 姿态估计（Pose Estimation）
检测人体、动物或物体的关键点（关节点、骨架等）。
- 应用场景：行为分析、运动捕捉、AR（增强现实）。
- 代表模型：OpenPose、HRNet、DETR。
6. 目标跟踪（Object Tracking）
在视频序列中跟踪目标的轨迹。
- 应用场景：无人机跟踪、视频监控、运动分析。
- 代表模型：SiamRPN、SORT、DeepSORT。
7. 光流估计（Optical Flow Estimation）
计算图像像素点的运动矢量场，用于运动分析。
- 应用场景：视频稳定、动作检测、自动驾驶。
- 代表模型：RAFT、PWC-Net、FlowNet2.0。
8. 三维重建（3D Reconstruction）
从 2D 图像或点云恢复 3D 结构。
- 应用场景：SLAM（同时定位与建图）、AR/VR、医学成像。
- 代表模型：Colmap、NeRF（神经辐射场）、MonoDepth。
9. 超分辨率（Super Resolution）
提升图像分辨率，使低质量图像变得清晰。
- 应用场景：医学影像增强、老照片修复、视频增强。
- 代表模型：ESRGAN、SRGAN、SwinIR。
10. 图像去噪（Image Denoising）
去除图像中的噪声，提高清晰度。
- 应用场景：遥感影像处理、夜间摄影增强。
- 代表模型：DnCNN、BM3D、Noise2Noise。
11. 生成对抗网络（GANs）
生成高质量的图像、风格迁移等。
- 应用场景：AI 绘画、图像风格化、深度伪造（Deepfake）。
- 代表模型：StyleGAN、CycleGAN、BigGAN。
12. 图像/视频理解（Image/Video Understanding）
对图像或视频的内容进行高层次分析。
- 应用场景：智能监控、自动驾驶、视频摘要。
- 代表模型：CLIP、SlowFast、TimeSformer。
2. 图像分类 vs. 目标检测
| 对比维度 | 图像分类（Image Classification） | 目标检测（Object Detection） |
|---|---|---|
| 任务定义 | 识别整幅图像的类别 | 识别图像中所有目标的位置和类别 |
| 输出结果 | 单个类别标签 | 多个类别标签 + 目标的边界框（Bounding Box） |
| 输入数据 | 单张图像 | 单张图像（含多个目标） |
| 难度 | 相对较低 | 较高，需要额外的目标定位 |
| 计算复杂度 | 低 | 高（涉及回归和分类任务） |
| 核心技术 | 卷积神经网络（CNN）、ViT | CNN + 回归网络（YOLO、Faster R-CNN 等） |
| 核心特点 | * 仅关注全局特征，不关心目标位置 * 计算量较小，适合移动端和实时应用 | * 需要定位多个目标 * 计算复杂度高，对硬件要求高 |
| 主要方法 | * 经典CNN架构（AlexNet、VGG、ResNet） * 轻量级模型（MobileNet、EfficientNet） * 视觉Transformer（ViT、Swin Transformer） | * 单阶段（One-Stage）：YOLO、SSD（速度快） * 两阶段（Two-Stage）：Faster R-CNN（精度高） * 基于Transformer：DETR（无需Anchor，端到端） |
| 应用场景 | 图像检索、人脸识别、医学影像分类 | 自动驾驶、人群统计、工业检测 |
3.目标检测与图像分割、语义分割、实例分割
|----------|----------------------------|---------------------------------|---------------------------------|
| 对比维度 | 目标检测（Object Detection） | 语义分割（Semantic Segmentation） | 实例分割（Instance Segmentation） |
| 任务定义 | 识别目标并画出边界框（Bounding Box） | 识别每个像素的类别 | 识别每个像素的类别，并区分同类别的不同实例 |
| 输出结果 | 目标类别 + 目标位置（矩形框） | 每个像素的类别掩码（Mask） | 每个像素的类别掩码 + 不同实例的分割 |
| 关注点 | 物体的整体位置 | 物体的精确边界 | 物体的精确边界 + 实例区分 |
| 计算复杂度 | 中 | 高 | 更高 |
| 模型架构 | YOLO、Faster R-CNN、SSD | FCN、DeepLabV3+、U-Net | Mask R-CNN、YOLACT、CondInst |
| 适用场景 | 自动驾驶、监控、人脸检测 | 医学影像、卫星遥感、环境分析 | 自动驾驶、实例级目标识别、工业检测 |
4. 目标检测与目标跟踪
| 对比维度 | 目标检测（Object Detection） | 目标跟踪（Object Tracking） |
|---|---|---|
| 任务定义 | 在图像中识别目标并定位（Bounding Box） | 在视频中跟踪同一目标的运动轨迹 |
| 输入数据 | 单张图像或视频帧 | 连续的视频帧 |
| 输出结果 | 目标类别 + 目标边界框 | 目标 ID + 目标边界框（跨帧一致） |
| 核心技术 | CNN、区域提议（RPN）、Anchor | 目标检测 + 相关性计算（如光流、匹配） |
| 计算复杂度 | 较高（每帧都需重新检测） | 低（仅在关键帧检测，其他帧追踪） |
| 适用场景 | 自动驾驶、安防监控、工业检测 | 运动分析、无人机跟踪、视频监控 |
| 代表模型 | YOLO、Faster R-CNN、SSD | SORT、DeepSORT、SiamRPN、ByteTrack |