课程笔记-深度学习机器视觉01-新冠疫情可视化——From：百度AI Studio

课程笔记-深度学习机器视觉01-新冠疫情可视化——From：百度AI Studio

写在前面：

开始第一课的学习 本次课以新冠疫情为背景介绍了图像识别与人工智能，并且有一个实践项目为案例。

总体来说是本次课程是五个深度学习实战案例

资料与资源

百度AI STUDIO

课程链接：深度学习7日入门-CV疫情特辑

————————————————————————————————————————
正课部分：

课程总体安排

配套的有相关的作业，第五日还有一个人流密度检测的竞赛

图像识别和人工智能

大纲

图像识别定义和问题
传统图像识别方法
人工智能发展历程

图像识别的定义和问题

图像，对人类来说是信息传达，计算机看到的是数组

图像识别的目标：让计算机像人一样理解图像

图像识别的挑战：语义鸿沟

1. 相同的视觉特性，不同的语义概念
   人看到的是高层的语义概念，而计算机只能够从数字特征上去感知
   
2. 不同的视觉特性，相同的语义概念
   即使是同样的语义概念，图像也会遇到问题
   

图像识别的基本框架

测量空间==》特征空间==》类别空间
特征匹配 特征表示

图像识别发展历程

1. 早期图像识别技术（1990-2003）
   特征提取
   主要为图像全局特征的提取 如颜色特征、形状特征、纹理特征等

索引技术
如：KD-tree 和LSH 技术等 通过先前的特征提取对图像进行聚类，方便索引和查找

相关反馈
通过分类对用户想要的类型图片进行筛选，并且通过索引进行呈现

重排序
通过人为的干预将更为相似的图片进行归类与重新排序

早期图像识别缺点： 由于是全局性特征提取，损失较大，且精度较低

2. 中期图像识别技术

借鉴文本搜索的模型：倒排索引 有更多相同标签的图像被归为了一类
通过词将文章分类并且打上标签 搜索时搜索特定的词频就可以筛选出来特定的文章

因此中期图片技术希望把图像变为视觉词带

中期图像识别框架：
特征提取==》向量化==》索引技术==》后处理==》

进步1：特征提取由全局特征提取升级到了局部特征提取，更具有代表性
进步2:通过聚类分吸实现了局部化的特征提取
进步3：通过借鉴倒排索引实现了图片局部特征的标签化提取

人工智能图像识别发展历程

人工智能：使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统

机器学习：通过对于经验（数据）的改进，提升机器处理能力和效率

实践项目

基于丁香园公开的统计数据，实现新冠疫情可视化，包括疫情地图、疫情增长趋势图、疫情分布图等

项目链接：https://aistudio.baidu.com/aistudio/projectdetail/1568661