计算机视觉
计算机视觉（computer vision）是从图像和视频中提出数值或符号信息的计算系统，更形象的来说就是，计算机视觉是让计算机具备像人类一样的眼睛，可以看到图像或视频，并理解图像或视频。
数据：图像，视频
算法：机器学习，深度学习神经网络（分类+回归）
三大任务之识别
1、车牌识别（通过算法获取车辆的相关信息）
2、人脸识别（识别出人脸，并且获取所识别人的相关属性，如年龄，性别的等），扩展的还有情绪识别。
三大任务之目标检测
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
计算机视觉中关于图像识别有四大类任务：
分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
object detection= classification +localization，可以应用于行人检测/车辆检测等。
三大任务之分割
把图像空间按照一定的要求分成一些“有意义”的区域的技术叫做图像分割。
语义分割：语义指的是图像的内容，对图片意思的理解；分割的意思是从像素的角度分割出图片中的不同对象，对原图中的每个像素都进行标注，语义分割不区分属于相同类别的不同实例。
实例分割：机器自动从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记，每一个实例都进行标记，不论是否属于统一类别。
其他方面
视觉目标跟踪、视频分割、图像风格迁移，对抗生成网络、图题生成等。
网络架构
图像识别：AlexNet、VGGNet、GoogleNet、ResNet、RetinaNet.......
目标检测：Fast-RCNN、Faster-RCNN、Yolo,RetinaNet
图像分割：FCN、Mask-RCNN
目标跟踪：GOTURN、eco
图像生成：GAN、WGAN
光流：FlowNet
视频分割：SegNet
图像特征
颜色、形状（全局形状、局部形状）、纹理、SIFT特征（局部特征）、HoG特征（检测）、LBP特征(人脸)、Harr特征等