深卷積神經網路浪潮席捲人工智慧領域。這些程式在某些方面能比人類做得更好，從面部和物體識別到玩古老的遊戲－－圍棋等。
神經網路受到了由大腦結構的啟發。機器視覺背後得深卷積神經網路的結構和大腦負責視覺得結構之間有著驚人的相似之處。其中的乙個進化了數百萬年，另乙個是僅發展了短短幾十年。但似乎都以同樣的方式工作。
這引發了乙個有趣的問題，如果機器視覺和人類視覺用類似的方式工作，他們是否也有同樣的不足？人類和機器是否不能解決同樣的視覺挑戰？
首先是一些背景資訊。在腦中負責視力的神經在有很多層，他們被認為從影象中提取逐步的詳細資訊，如運動，形狀，顏色，等等。每一層是乙個龐大的神經元網路。
深卷積神經網路具有類似的結構。他們也有層的結構，並且每個層由模仿大腦神經元的電路結構組成，神經網路的術語就是這麼來的。
經過多次試驗，計算機科學家們發現，這些神經網路層識別影象最好的時候，每個層逐步地提取更多資訊。而且當他們看每個層的單獨行為時，他們發現和大腦神經層有顯著的相似性。
為了找到答案，kheradpisheh 教授和他的合作人員用了四種物件的識別難度各異的，然後測試人類和深卷積神經網路的識別能力。
該團隊讓 89 個人每人識別 960 個影象。研究人員使用每個實驗者反應的速度和準確性作為他們識別的測量。
該小組還在兩個用於物體識別的最強大的深度卷積網路進行了等效試驗，乙個在加拿大多倫多大學開發，另乙個在牛津大學開發。
結果是非常有趣的。 「我們發現，人類和深卷積神經網路很大程度上每一種變化的相對困難程度詳細，」 kheradpisheh教授說 「3d旋轉是迄今為止最難識別的，其次是放大縮小，然後在平面內旋轉。」
這結果顯示了使用卷積神經網路來幫助探測人類認知過程的可能性。這項技術或許可以在某些影象的設計中應用，如空中交通管制，緊急出口，使用救生裝置等的指令等。
原文連線：
（計算機視覺）計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...
計算機視覺
主講老師 曹洋 課程 視覺 基礎 底 層處理 影象處理 特徵提 取 中 層處理 影象分割 相機標 定 深度 估計 運 動估計 高層處 理 3d 重建 目 標識別 視 覺基 礎 底層 處理 圖 像處理 特徵提取 中層 處理 圖 像分割 相機標定 深度估 計 運動 估計 高層處理 3d重 建 目標 識別...
計算機視覺
眾所周知，計算機不認識影象,只認識數字。為了使計算機能夠 理解 影象，從而具有真正意義上的 視覺 本章我們將研究如何從影象中提取有用的資料或資訊，得到影象的 非影象 的表示或描述，如數值 向量和符號等。這一過程就是特徵提取，而提取出來的這些 非影象 的表示或描述就是特徵。有了這些數值或向量形式的特徵...