计算机视觉研究方向与发展趋势

计算机视觉产业链

工业界：对学术研究提出需求最火的两个概念：自动驾驶和元宇宙 相关热点研究方向： （1）建图技术：三维重建技术，包括SLAM、定位、建图、更新等技术；（2）点云理解技术：三维理解技术，包括点云检测、分割等技术； （3）街景理解技术：街景图像视频识别、检测、分割等技术； （4）三维渲染技术。

学术界：自驱的学术研究CVPR：检测、3D、分割、视频、表示学习;（2021） CVPR：多角度三维视觉、图像视频生成、识别检测分类检索；（2022） ICCV：视频，3D，检测，分割，表示学习和Transforer。（2021） 总结：（1）基于transformer的视觉； （2）基于self-supervised的无标注视觉技术。

（3）生成式对抗网络图像生成

图像识别主要算法图像识别流程：图像采集、图像预处理、特征提取、特征识别 图像预处理：ROI提取、图像滤波与增强； 特征提取：LBP、SIFT、HOG、CNN等等

目标检测主要算法（1）双阶段目标检测：RCNN、Fast RCNN、Faster RCNN、FPN、Mask RCNN； （2）单阶段目标检测：YOLO、SSD、RetinaNet； （3）基于transformer：Ralation Net、DETR。

自动驾驶主要算法

计算机视觉发展趋势

五大发展趋势：（1）优化数据质量 （2）应用于健康和安全领域 （3）应用于零售业（无人商店、掌脉识别等） （4）自动驾驶汽车领域 （5）边缘计算领域

8. 计算机视觉-学术界与工业界GAP有多大？

计算机视觉作为一项新兴技术，不仅在学术界有很大的研究空间，同时也有广阔的应用前景。然而，学术界与工业界在计算机视觉领域中存在一定的差距。

首先，学术研究通常是以理论分析和实验验证为主，注重创新，追求技术的极致。工业界则更注重实际应用，倾向于更稳定和成熟的技术，并遵循商业化的标准。因此，在技术方向和目标上，两者可能存在差异。

此外，在可操作性和可行性方面，两者也有所不同。学术界的研究大多是基于小型数据和标准化环境的实验，而工业界需要解决的实际问题往往更为复杂，需要更大量、更多样的数据集和更广泛的数据应用。同时，实际应用场景下，各种不确定性因素需要被充分考虑，如光照的变化、不同尺度。

审核编辑 ：李倩