Module 01 · Foundations of Convolutional Neural Networks

Computer Vision计算机视觉

计算机视觉是深度学习快速发展的一个重要领域。深度学习在计算机视觉中的应用，已经帮助自动驾驶汽车识别周围的车辆和行人，以避免碰撞。它还大大提升了人脸识别技术的准确性，或许你们中的一些人，已经可以通过面部解锁手机，甚至是门锁。

此外，你的手机上可能有许多应用程序，展示了食物、酒店的图片，或者美丽的风景图片。而一些构建这些应用的公司，正是通过深度学习来帮助展示最吸引人、最美丽或最相关的图片。我认为，深度学习甚至促使了新型艺术创作的出现。

为什么我对深度学习在计算机视觉中的应用如此兴奋？

有两个原因：

计算机视觉的快速进展：使得一些曾经不可能的全新应用成为现实。通过学习这些工具，或许你们也能发明出一些新的产品和应用。
跨领域的创新启发：即便你最终不从事计算机视觉系统的构建，计算机视觉研究领域的创意和新型神经网络架构，实际上能启发你在其他领域的算法和架构设计。例如，我曾在语音识别的研究中，从计算机视觉中汲取灵感，借鉴其方法来改进语音领域的技术。

因此，即便你不从事计算机视觉工作，希望你能够从本课程中学到的思想，对你的算法设计和架构创新有所帮助。

在本课程中，我们将学习以下几种计算机视觉问题：

图像分类，也称为图像识别，是计算机视觉中的基本任务之一。你可能会输入一张 64x64 的图片，任务是判断它是否是一只猫。

目标检测要求不仅识别图片中的物体，还需要确定它们的位置。例如，自动驾驶汽车需要识别图中的其他车辆，并标出它们的位置，以便避开这些障碍物。通常，目标检测不仅要识别物体（如汽车），还需要框出物体所在的区域。并且，图像中可能会有多个目标，例如多个汽车或行人，或者至少是距离你的车辆较近的目标。

神经风格迁移是一个有趣且创意十足的任务。假设你有一张内容图片，并希望将其以不同的风格进行重新绘制。例如，内容图片是你拍的风景照，而风格图片则是毕加索的画作。神经风格迁移算法会将这两张图片融合，重绘出内容图片，但风格却是毕加索的画风。这样的算法使得计算机能够创造出新的艺术作品。

计算机视觉问题的一个主要挑战在于，输入数据的尺寸通常非常大。举个例子：

64x64 图像：对于这类图像，通常有三个颜色通道（RGB），因此它的维度是：
64 x 64 x 3 = 12,288
这还算不算太大。
1000x1000 图像：这种图像属于一百万像素（1 MP）。它的维度将是：
1000 x 1000 x 3 = 3,000,000
这意味着输入特征的维度将是 300 万。假设你在第一层隐藏层有 1000 个神经元，那么权重矩阵 W1 将是一个 1000 x 300 万的矩阵。
这将导致矩阵 W1 的参数量为 30 亿个参数，这是一个非常庞大的数字。

如此庞大的参数量意味着，训练神经网络时需要极为丰富的数据，否则很容易发生过拟合。同时，训练这样一个网络的计算和内存需求也非常高，几乎不现实。

对于计算机视觉应用来说，我们并不希望仅限于使用小图像，而是希望能够处理更大尺寸的图像。为了解决这个问题，我们需要高效地实现 卷积操作，它是 卷积神经网络（CNN） 的基本构建块。

接下来，我们将通过**边缘检测（Edge Detection）**的例子来说明卷积操作的工作原理和实现方式。

让我们在下一视频中进一步探讨卷积操作的细节！