計算機視覺產業(yè)鏈

工業(yè)界：對學術研究提出需求最火的兩個概念：自動駕駛和元宇宙 相關熱點研究方向： （1）建圖技術：三維重建技術，包括SLAM、定位、建圖、更新等技術；（2）點云理解技術：三維理解技術，包括點云檢測、分割等技術； （3）街景理解技術：街景圖像視頻識別、檢測、分割等技術； （4）三維渲染技術。

學術界：自驅的學術研究CVPR：檢測、3D、分割、視頻、表示學習;（2021） CVPR：多角度三維視覺、圖像視頻生成、識別檢測分類檢索；（2022） ICCV：視頻，3D，檢測，分割，表示學習和Transforer。（2021） 總結：（1）基于transformer的視覺； （2）基于self-supervised的無標注視覺技術。

（3）生成式對抗網絡圖像生成

圖像識別主要算法圖像識別流程：圖像采集、圖像預處理、特征提取、特征識別 圖像預處理：ROI提取、圖像濾波與增強； 特征提?。篖BP、SIFT、HOG、CNN等等

目標檢測主要算法（1）雙階段目標檢測：RCNN、Fast RCNN、Faster RCNN、FPN、Mask RCNN； （2）單階段目標檢測：YOLO、SSD、RetinaNet； （3）基于transformer：Ralation Net、DETR。

自動駕駛主要算法

計算機視覺發(fā)展趨勢

五大發(fā)展趨勢：（1）優(yōu)化數(shù)據(jù)質量 （2）應用于健康和安全領域 （3）應用于零售業(yè)（無人商店、掌脈識別等） （4）自動駕駛汽車領域 （5）邊緣計算領域

8. 計算機視覺-學術界與工業(yè)界GAP有多大？

計算機視覺作為一項新興技術，不僅在學術界有很大的研究空間，同時也有廣闊的應用前景。然而，學術界與工業(yè)界在計算機視覺領域中存在一定的差距。

首先，學術研究通常是以理論分析和實驗驗證為主，注重創(chuàng)新，追求技術的極致。工業(yè)界則更注重實際應用，傾向于更穩(wěn)定和成熟的技術，并遵循商業(yè)化的標準。因此，在技術方向和目標上，兩者可能存在差異。

此外，在可操作性和可行性方面，兩者也有所不同。學術界的研究大多是基于小型數(shù)據(jù)和標準化環(huán)境的實驗，而工業(yè)界需要解決的實際問題往往更為復雜，需要更大量、更多樣的數(shù)據(jù)集和更廣泛的數(shù)據(jù)應用。同時，實際應用場景下，各種不確定性因素需要被充分考慮，如光照的變化、不同尺度。

審核編輯 ：李倩