计算机视觉与人工智能的关系及未来发展

华泰科捷从创立到现在一直在对AI行业进行深入的研究，并注重开发自己的产品，期望能将其应用到安防、医疗等行业中去。行业应用到的人脸识别、人脸对比等技术，都与计算机视觉相关联。今天，咱们就来说说计算机视觉与人工智能。

人工智能与计算机视觉是什么关系？

第一， 它是一个人工智能需要解决的很重要的问题；

第二， 它是目前人工智能的很强的驱动力。因为它有很多应用，很多技术是从计算机视觉诞生出来以后，再反运用到 AI 领域中去；

第三， 计算机视觉拥有大量的量子 AI 的应用基础。

视觉，也是人工智能刚开始要解决的问题！

视觉研究的发展

视觉的研究主线是怎样去表示一张照片。有很多方法，比较早期的方法叫分人自知的方法，比如人分为头、身体、胳膊，头分为眼睛、鼻子、嘴，整体是由部分组成的，这个方法先后研究了很多年。有很多人工智能的知识应用在这个方法里，但是可做的目标有限，对人、手结构性比较好的可以用这个方法，而很多动物上就无法使用。

90年代时，神经网络第一次能够在小应用上使用。但是很快，研究神经网络方法的人越来越少。SVMs出来以后，直接输入进行 SVMs训练，这种方法的结果跟神经网络的方法很相近。可能是由于当时数据级的不敏感，很多方法可能结果都差不多。但是今天神经网络在这上面效果非常好，远好于SVMs的方法。

再后来，又新出来一个方法。这个方法是在深度学习之前计算机视觉常用的方法：Features Engineering，这个方法当时是最好的方法。这种方法特色是说 Feature人工设计的，后面是SVM，所以大多数做图像分类的都在设计 Feature ，谁的Feature又快又好，能力又强，谁的方法整体性就好。

这整个体系有个问题。这是一些变化的组合，但是变化的层数比较少，是很短的序列。现在计算机视觉或者是图像视觉是深度卷积神经网络。相对应的两个非常有反差：短序列手工设计，和长序列非手工设计。

期间重大里程碑

重大里程碑，当是BP算法的出现。

这个算法是说怎么样自动调整网络里面所有的参数，但它依然没有兴旺起来，原因有两个：

一、存在SVMs这样的方法，理论又好，效率又好，当时还比不过SVMs这些方法。

二、优化很困难，很难呈现结果。

在几年前，很多人仍然相信：神经网络是不好的，一个非常深的神经网络是不能够被训练的。 这个魔咒这些年逐渐被打破了。最早 Hinton 在1996年的 Paper 提出了 layer by layer 和 unsupervised pre-training 的方法，虽然这些方法今天都不用了，但在当时对大家的一个激励。还有计算力的进步，计算力不同也会产生一定的区别，最近几年在 Speech、Image、NLP 等领域都产生了很大突破。

未来计算机视觉的发展

从现在实物上还是能看到除了基于人脸身份的识别和认证用到的地方越来越多，从视觉落地的角度上，大家应该会去研究究竟哪个行业落地更加容易，更契合。

华泰科捷相信，计算机视觉与AI+安防是密不可分的，同样也是最好落地的行业，华泰科捷也将在这条研究路线上一直奋斗下去。