计算机视觉技术：从实验室玩具到生活刚需，我们走过了这些坑
上个月逛朋友开的无人社区水果店，挑了一袋车厘子，出门直接从账户扣钱，全程没收银员，连称都不用称——机器扫一眼就知道是车厘子，算出来分量和价格。放在十年前，谁敢信？那时候计算机视觉连放在白纸前的猫都认不准，现在居然能精准区分品种差不多的不同车厘子。
2012年AlexNet卷积神经网络结构示意图
那时候你去问做CV的人，这技术什么时候能落地，十个有八个摇头。手工标数据标到吐，模型换个场景就瞎，光线暗一点、角度偏一点，直接认不出来。我读硕士那时候，同实验室的师哥做路口车辆检测，就为了搞定阴天的识别率，整整调了三个半月，毕业答辩前还在改参数，头发掉得发际线后退了两厘米。说实话，那时候别说普通人，就连我们这些做相关研究的，都觉得计算机视觉就是个拿经费的实验室玩具，离生活远着呢。
农业无人机计算机视觉识别棉花杂草作业图
前阵子看中科院自动化所团队发的新成果，针对低光照场景的行人检测，在深夜无路灯的路口数据集上，准确率比之前的SOTA模型提了14.7个百分点，连戴着帽子口罩、只漏半张脸的行人都能精准识别。这放在五年前，想都不敢想。不过话说回来，现在的技术也不是没bug。我上周早高峰赶地铁，戴了个鸭舌帽，人脸识别闸机对着我扫了快半分钟，就是开不了，后面排了一堆人，尴尬到我想找个地缝钻进去。对吧，技术落地到不同场景，总有各种奇奇怪怪的问题要解决，哪有那么完美的事儿。现在还有不少创业公司拿计算机视觉割投资人韭菜，吹得天花乱坠，落地就是一堆问题，这种事见得也不少了。
下一个十年，计算机视觉技术会走到哪？
现在大模型火了，很多人说计算机视觉被大模型吞并了？不对，反而更重要了。大语言模型要能看懂图片看懂视频，就得靠计算机视觉把视觉信息转换成模型能读懂的特征，计算机视觉就是大模型的眼睛。现在行业里最火的方向是通用大视觉模型，原来做一个场景就要训一个模型，成本高到离谱，现在一个大模型就能搞定上万种视觉任务，中小企业也能用得起，成本直接砍到原来的十分之一不到。还有现在炒得很热的具身智能，机器人要自主走路、抓取东西，全靠高精度的计算机视觉提供环境信息，没有好的视觉，机器人连桌子上的杯子都抓不准，更别说帮你做家务了。
现在最大的痛点是什么？是小样本学习和隐私问题。人认一个新东西，只要看两三张图就会了，现在的模型还得喂几万几十万张才能训好，什么时候模型能做到看几张就会，那才是真的接近人的认知了。隐私这块，现在很多视觉数据都存在云端，容易泄露，现在做的端侧计算机视觉，所有运算都在你本地设备上完成，不用把你的人脸图像上传到服务器，既快又安全，这肯定是接下来的大方向。哦对，还有很多冷门的应用，比如考古，用计算机视觉扫描褪色的古代壁画，能还原出已经看不清的线条和文字，比考古学家手绘快了上百倍，不少之前解不开的古文字，靠着还原出来的纹路，终于读出了意思，这都是之前没人想到的方向。
昨天刷到一条短视频，一个国内团队做了基于计算机视觉的盲人辅助设备，扫一下前面的路，能准确告诉你前面有三阶台阶，高度多少，左边十米有个共享单车。放在二十年前，这种场景写进科幻小说，都有人觉得太天马行空。说白了，计算机视觉就是给机器装了一双能看懂世界的眼睛，从认对一张猫的图片，到帮农民省农药，帮盲人认路，一步步走过来，踩过的坑不计其数。现在很多人已经习惯了刷脸开门、刷脸支付，都不觉得这是什么黑科技了。本来就是这样啊，好的技术，最后都会变成生活里理所当然的一部分，你看不见它，但离不开它。
最早的计算机视觉，是个只会死记硬背的笨小孩
早在上世纪六十年代，学术界就提出了计算机视觉的概念，可一直到2012年之前，这玩意儿都没跳出实验室的圈子。那时候没有深度学习，所有的特征都得靠工程师手工写规则提取，什么SIFT特征、HOG特征，调参数调得人发疯。ImageNet图像识别大赛是当年圈里最火的擂台，2011年冠军的错误率还在25%以上，一百张图能认错四分之一。直到2012年，AlexNet横空出世，直接把错误率干到15.3%，比第二名低了快10个百分点，整个圈子直接炸了。2012年AlexNet卷积神经网络结构示意图
那时候你去问做CV的人，这技术什么时候能落地，十个有八个摇头。手工标数据标到吐，模型换个场景就瞎，光线暗一点、角度偏一点，直接认不出来。我读硕士那时候，同实验室的师哥做路口车辆检测，就为了搞定阴天的识别率，整整调了三个半月，毕业答辩前还在改参数，头发掉得发际线后退了两厘米。说实话，那时候别说普通人，就连我们这些做相关研究的，都觉得计算机视觉就是个拿经费的实验室玩具，离生活远着呢。
现在的计算机视觉技术，早就偷偷藏在你身边了
很多人一提到计算机视觉，第一反应就是人脸打卡、手机解锁，这可太狭隘了。你刷短视频时的自动美颜、换背景，是计算机视觉在干活。你去医院拍肺部CT，AI帮医生圈出疑似结节的位置，准确率比不少年轻医生还高，靠的也是计算机视觉。现在新疆的棉农，用无人机打农药，计算机视觉能自动区分棉花和杂草，只给杂草喷药，一亩地能省三成农药钱。农业无人机计算机视觉识别棉花杂草作业图
前阵子看中科院自动化所团队发的新成果，针对低光照场景的行人检测，在深夜无路灯的路口数据集上，准确率比之前的SOTA模型提了14.7个百分点，连戴着帽子口罩、只漏半张脸的行人都能精准识别。这放在五年前，想都不敢想。不过话说回来，现在的技术也不是没bug。我上周早高峰赶地铁，戴了个鸭舌帽，人脸识别闸机对着我扫了快半分钟，就是开不了，后面排了一堆人，尴尬到我想找个地缝钻进去。对吧，技术落地到不同场景，总有各种奇奇怪怪的问题要解决，哪有那么完美的事儿。现在还有不少创业公司拿计算机视觉割投资人韭菜，吹得天花乱坠，落地就是一堆问题，这种事见得也不少了。
下一个十年，计算机视觉技术会走到哪？
下一个十年，计算机视觉技术会走到哪？
现在大模型火了，很多人说计算机视觉被大模型吞并了？不对，反而更重要了。大语言模型要能看懂图片看懂视频，就得靠计算机视觉把视觉信息转换成模型能读懂的特征，计算机视觉就是大模型的眼睛。现在行业里最火的方向是通用大视觉模型，原来做一个场景就要训一个模型，成本高到离谱，现在一个大模型就能搞定上万种视觉任务，中小企业也能用得起，成本直接砍到原来的十分之一不到。还有现在炒得很热的具身智能，机器人要自主走路、抓取东西，全靠高精度的计算机视觉提供环境信息，没有好的视觉，机器人连桌子上的杯子都抓不准，更别说帮你做家务了。
现在最大的痛点是什么？是小样本学习和隐私问题。人认一个新东西，只要看两三张图就会了，现在的模型还得喂几万几十万张才能训好，什么时候模型能做到看几张就会，那才是真的接近人的认知了。隐私这块，现在很多视觉数据都存在云端，容易泄露，现在做的端侧计算机视觉，所有运算都在你本地设备上完成，不用把你的人脸图像上传到服务器，既快又安全，这肯定是接下来的大方向。哦对，还有很多冷门的应用，比如考古，用计算机视觉扫描褪色的古代壁画，能还原出已经看不清的线条和文字，比考古学家手绘快了上百倍，不少之前解不开的古文字，靠着还原出来的纹路，终于读出了意思，这都是之前没人想到的方向。
昨天刷到一条短视频，一个国内团队做了基于计算机视觉的盲人辅助设备，扫一下前面的路，能准确告诉你前面有三阶台阶，高度多少，左边十米有个共享单车。放在二十年前，这种场景写进科幻小说，都有人觉得太天马行空。说白了，计算机视觉就是给机器装了一双能看懂世界的眼睛，从认对一张猫的图片，到帮农民省农药，帮盲人认路，一步步走过来，踩过的坑不计其数。现在很多人已经习惯了刷脸开门、刷脸支付，都不觉得这是什么黑科技了。本来就是这样啊，好的技术，最后都会变成生活里理所当然的一部分，你看不见它，但离不开它。