計算機視覺的前沿理論有哪些？

01-03

題主要問的是有關機器視覺的理論還是前沿方向呢？

1. 關於視覺的理論：由於計算機視覺是一個偏工程的研究方向，因此視覺的理論一直不是很成熟。不過還是有一些大牛的組在研究啦，比如UCLA的Center for Vision, Cognition, Learning, and Art (VCLA) ，他們就研究一些基礎的視覺理論問題，比如：Information Scaling Theory，PAC-learning in vision，Analogic learning等。

2. 話說了解計算機視覺的前沿方向，最好的辦法就是關注計算機視覺或模式識別方面的國際頂級會議，e.g.，ICCV, ECCV and CVPR（視覺三大頂級會議）。其實CV的會議有個特點是oral的paper數量佔總錄用文章很小的比例，一般oral錄用率僅為5%左右。在這些鳳毛麟角的paper中，我們就可以很清晰的看到視覺最新的熱點。

以ICCV2013中oral paper為例（ICCV 2013 papers on the web）：

3D computer vision：5篇；

Computational photography, sensing and display：2篇；

Face and gesture：1篇；

Low-level vision and image processing：4篇；

Motion and tracking：6篇；

Optimization methods：4篇；

Performance evaluation：1篇；

Physics-based vision and Shape-from-X：2篇；

Recognition: detection, categorization, classification, indexing, matching：14篇；

Segmentation, grouping and shape representation：2篇。

很清晰的就可以看出來熱點仍然是Recognition, 3D vision and Tracking（btw: 低層特徵low-level vision近幾年由於deep learning的出現已經快變成明日黃花了）

感覺這個問題拆開來講可能更好一點

關於前沿

任何一個方面，只要能使計算機接近甚至達到人眼視覺的水平，就是這個領域的前沿。

雖然說計算機視覺技術在一些應用領域如產品缺陷檢測，條形碼掃描等已經有大規模的商業應用，但是在更普遍的視覺應用上，離人眼視覺的水平還相去甚遠。這也是該領域充滿機遇與挑戰，研究十分活躍的原因。

關於理論

感覺計算機視覺是以應用為導向的研究領域，常用的基礎理論涉及立體幾何，線性代數，優化，統計學，信號處理（包括圖像處理），基本都是拿已有的理論去解決具體問題，包括

3D重建（3D reconstruction），相機校正（camera calibration），姿態估計（pose estimation），目標識別（object recognition），運動分析（motion analysis）都是比較經典的問題，也一直以來是計算機視覺活躍的研究領域。以應用為導向的研究雖然也會有發展出相應的理論，但應該說還是有別於我們常說的基礎理論吧。

計算機視覺借鑒相關學科理論的一個很好的例子是利用深度學習（deep learning）的理論框架進行目標識別，最新的成果，基於卷積神經網路（Convolutional Neural Network）演算法的人臉識別率已經能達到接近人工識別的水平。

其他正在興起的研究課題還有眼動追蹤（eye gaze tracking），顯著度檢測（ saliency detection）等。

補充：

1. 想了解計算機視覺可以做什麼，不妨看看OpenCV，這個著名的c++開源庫實現的了眾多計算機視覺常用的功能

2. 關於深度學習，其實也是一個早就有的想法，只是到了最近幾年在演算法實現上有了突破（參考Geoffrey Hinton在Nature上的文章），才開始重新變得熱門

計算機視覺現在比較火的方向可能就是visual object recognition了。現在關於語義的方向都很熱，姿勢識別，瞳孔跟蹤，表情識別等等。跟蹤，分割，顯著性區域檢測傳統方向也一直在top level 的期刊和會議上也有較高的比例。這是2013年CVPR文章的統計數據。

ICCV 2013 Results (29 Aug, 2013)

死灰復燃的上古神器，包治百病，買不了吃虧買不了上當，ML神油，CV大力丸......

deep learning

用能量優化的方法解決計算機視覺，成為一種常用方法，最近的視覺問題：比如ECCV 2014 best paper利用目標的從屬關係和互斥關係研究目標識別，ACCV 2014 best paper 同時估計圖的結構和label.

個人感覺計算機視覺一直來說比較難的都是2D的segmentation，最近比較流行的是semantic segmentation，還有比較火的方向是large scale的image retrieval，deep learning是其中一個比較好的解決方案，其他的還有很多跟Depth攝像機相關的研究，比如pose estimation，action recognition等。就計算機視覺這個學科來看，其實還有很大發展空間，幾乎所有正在研究的方向都可以稱為前沿