一、CV是什么？
计算机视觉是让计算机"看懂"世界的学科，核心是从图像或视频中提取、理解和重构有用信息。它不仅是识别"是什么"，更是理解"在哪里"、"在做什么"和"为什么"。
二、CV的五大核心任务
| 任务 | 解决的问题 | 典型应用 |
|---|---|---|
| 图像分类 | 这张图里有什么？（全局标签） | 内容审核、相册自动归类 |
| 目标检测 | 哪里有某类物体？（框出位置） | 自动驾驶车辆检测、安防监控 |
| 语义分割 | 每个像素属于哪类？（像素级分类） | 医学影像分析、遥感地物识别 |
| 实例分割 | 区分同一类别的不同个体 | 自动驾驶多目标追踪、工业质检 |
| 关键点检测 | 检测特定结构点（如人体关节） | 动作识别、AR特效、姿态估计 |
除此之外，还包括图像生成 （扩散模型）、图像超分/修复 、3D视觉 （深度估计、点云处理）和多模态理解（图文匹配）等重要方向。
三、技术演进：三大范式转换
1. 传统时代（2012年前）
-
手工特征 + 浅层分类器：如SIFT、HOG特征配合SVM。
-
局限：泛化差，依赖专家经验，无法应对复杂场景。
2. 深度学习时代（2012---2020）
-
标志：AlexNet在ImageNet夺冠，开启CNN时代。
-
经典架构：
-
ResNet：残差连接，让网络可超深（152层），至今仍是骨干网络首选。
-
UNet：编码-解码结构，医学图像分割的基石。
-
-
里程碑：2015年ResNet在ImageNet上超越人类识别水平。
3. Transformer + 大模型时代（2020至今）
-
ViT（Vision Transformer）：将图像拆成"Patch序列"，用自注意力机制建模全局关系，取代CNN的局部感受野。
-
多模态大模型：如CLIP（图文对齐）、SAM（分割一切）、Sora（视频生成）。
-
趋势：从"专用小模型"走向"基础模型 + 微调"，像GPT-4V、Gemini已具备通用视觉理解能力。
四、关键技术概念速查
-
卷积核：在图像上滑动的特征提取器，相当于"局部模板匹配"。
-
池化：降采样操作，减少计算量并增强平移不变性。
-
特征金字塔（FPN）：融合多尺度特征，解决小目标检测难题。
-
注意力机制：让模型聚焦于图像中最相关的区域，解释性更强。
-
数据增强：旋转、裁剪、色彩抖动等，是提升泛化最有效的手段之一。
-
迁移学习：在ImageNet等大数据集上预训练，再在下游任务上微调，几乎成为标配。
五、典型应用场景与落地挑战
✅ 已成熟落地
-
人脸识别（支付/门禁）------误差率已低于万分之一。
-
OCR文字识别（文档扫描/车牌）------端到端识别准确率超99%。
-
工业质检（表面缺陷检测）------替代人眼，速度提升数十倍。
-
医疗影像辅助诊断（肺结节/眼底筛查）------部分场景达专家级水平。
⚠️ 仍在突破中
-
自动驾驶感知（极端天气、夜间、罕见场景）------长尾问题仍是核心瓶颈。
-
具身智能（机器人操作）------需要结合力觉、触觉和物理常识推理。
-
视频理解与推理（理解动作因果链）------远超单帧图像难度。
常见落地痛点
-
数据标注成本高（尤其分割和3D标注）。
-
域迁移（训练集是白天晴天，测试遇雨雪雾天则性能骤降）。
-
对抗攻击（轻微像素扰动即可让模型误判）。
-
推理延迟（大模型在边缘设备上的部署优化）。
六、学习路线建议（分阶段）
| 阶段 | 重点内容 | 推荐资源 |
|---|---|---|
| 入门 | Python + 图像基础（OpenCV） + 机器学习基础 | 斯坦福CS231n（经典课程）、OpenCV官方教程 |
| 进阶 | PyTorch实现CNN/ResNet/UNet，跑通检测和分割 | 李沐《动手学深度学习》、MMDetection/YOLO源码 |
| 深入 | Transformer（ViT/DETR）、多模态、生成模型 | 原论文 + HuggingFace实战、周志华《机器学习》补充理论 |
| 前沿 | 跟随顶会（CVPR/ICCV/ECCV）、复现SOTA模型 | Papers with Code、GitHub Trending |
避坑建议：不要一上来就调参，先手推一遍BP和卷积计算；优先跑通完整项目（如用YOLO训练自己的数据集），比看十本书更有效。
七、未来5年关键趋势
-
大模型"大一统"：一个基础模型同时处理检测、分割、生成、问答。
-
世界模型：让AI理解物理规律（重力、碰撞、遮挡），不止于统计模式。
-
数据高效学习：少样本/零样本、自监督学习成为主流。
-
神经渲染 + 3D：NeRF、3D高斯泼溅将重塑AR/VR和数字人。
-
边缘端智能：专用AI芯片 + 模型量化剪枝，让CV无处不在。
-
具身智能：CV成为机器人"眼睛"，结合大语言模型实现任务规划。
八、一句话总结
计算机视觉正从"看见"走向"看懂"和"预判"，核心驱动力是模型架构的持续进化和数据规模的量级突破。 未来，它将与语言、机器人、物理模拟深度融合，成为通用人工智能（AGI）的关键感知底座。