计算机视觉（CV）编辑历史

# 计算机视觉

## 1 发展历程

### 1.1 早期探索（1960s-1970s）

计算机视觉的研究可追溯至20世纪60年代，当时科学家们试图让计算机理解简单的二维图像。早期工作包括Larry Roberts于1963年提出的“积木世界”概念，尝试从边缘和线条中重建三维物体。70年代，David Marr提出了视觉计算理论，强调从二维图像恢复三维信息的分层处理框架。这一时期主要集中于基础图像处理和边缘检测算法，受限于当时的计算能力和缺乏大规模数据，进展较为缓慢。

### 1.2 统计学习与特征工程（1980s-1990s）

80年代和90年代，计算机视觉转向统计学习方法，研究者开始设计手工特征来描述图像内容。例如，SIFT（尺度不变特征变换）和HOG（方向梯度直方图）等特征提取算法被广泛应用于目标识别和图像匹配。同时，支持向量机、随机森林等浅层机器学习模型成为主流分类工具。这一时期还诞生了人脸检测领域的里程碑——Viola-Jones检测器，实现了实时人脸检测。然而，这些方法依赖手工设计特征，泛化能力有限，无法应对复杂场景。

### 1.3 深度学习革命（2012年至今）

#### 1.3.1 AlexNet的突破

2012年，AlexNet在ImageNet大规模视觉识别挑战赛（ILSVRC）中以显著优势夺冠，将图像分类的错误率从26.2%骤降至15.3%。该网络采用了深度卷积神经网络（CNN）、ReLU激活函数、Dropout正则化以及GPU并行训练等技术，标志着深度学习在计算机视觉领域的全面爆发。AlexNet的成功验证了深度网络在大数据和大算力条件下对传统方法的全面超越，开启了计算机视觉的新纪元。

#### 1.3.2 卷积神经网络（CNN）的普及

受AlexNet启发，卷积神经网络迅速成为视觉任务的标准架构。此后数年，VGGNet、GoogLeNet（Inception）、ResNet等更深的网络相继诞生，不断刷新各项