计算机视觉（Computer Vision）

计算机视觉（Computer Vision，CV）是人工智能的核心分支之一，目标是让计算机像人眼一样「看懂」图像与视频，即识别物体、理解场景、感知空间关系。它之所以重要，是因为摄像头是现实中最大量的传感器，而视觉能力是把物理世界转成可计算数据的关键环节，自动驾驶、刷脸支付、医学影像与工业质检都建立在它之上。

核心任务

• 图像分类：判断整张图属于什么类别，例如猫或狗，是视觉任务的基础形式。
• 目标检测：找出物体位置并用边界框标出，同时给出类别与置信度。
• 图像分割：对每个像素分类，区分路面、天空与障碍物，是精细理解的关键。
• 人脸识别：包含检测、对齐、比对与身份确认等多个环节。
• 图像生成与编辑：文生图、修图与超分等任务，让模型不仅能读图也能造图。

技术演进：从手工特征到多模态

早期方法依赖人工设计特征，例如边缘、角点与纹理描述子，再交给分类器判断，效果受限于设计者的经验。深度学习的引入是分水岭：卷积神经网络（Convolutional Neural Network，CNN，通过局部卷积核提取图像特征的网络）在大规模图像识别任务上全面超越传统方法；残差连接进一步解决了深层网络难以训练的问题，让网络可以做得更深更准。此后视觉 Transformer 把注意力机制引入图像，扩散模型则在生成任务上取得突破。到多模态阶段，视觉与语言被放进同一个模型，图像理解可以直接用自然语言描述与追问，计算机视觉从独立领域走向「视觉 + 语言 + 推理」的通用智能。

现实应用

手机拍照识别与相册归类、刷脸支付与门禁、自动驾驶的环境感知、医疗影像的辅助诊断、工厂产线的缺陷检测、卫星遥感的地物分析，都是成熟落点。可以观察到一个共同规律：视觉模型很少单独输出最终决策，通常作为感知环节，把结果交给规则或下游模型再判断。

实践要点

• 数据质量优先于模型选择：标注一致性、类别均衡与覆盖真实场景，往往比换更大模型收益更明显。
• 先建立可复现的评测集：留出贴近上线的验证数据，避免只看训练指标。
• 注意光照与角度差异：训练分布与部署环境不一致是精度骤降的主因之一。
• 控制推理成本：实时场景需在精度与延迟之间取舍，必要时用轻量模型加后处理。
• 重视隐私合规：涉及人脸与生物特征时，采集、存储与用途都要有明确依据。

常见误区

• 以为准确率高就等于可用：类别极不平衡时，高准确率可能掩盖对少数类别的完全失效。
• 忽视标注成本：分割与检测的标注工作量远高于分类，需提前评估。
• 把检测问题当分类做：需要位置与计数时，分类模型无法给出可用结果。
• 低估对抗与欺骗风险：微小扰动或伪装可能让模型产生严重误判。
• 忽略数据漂移：季节、设备或场景变化会让效果随时间衰减，需要持续监控。