报告中涉及的计算机视觉行业的知识点可以从以下几个方面进行详细阐述：
1. 计算机视觉技术概述：
计算机视觉是一门横跨感知与认知智能的学科，它主要通过电子化的方式模拟人类视觉系统对影像的理解。由于深度学习技术的成熟，尤其是2012年AlexNet模型在ImageNet竞赛中取得突破性成绩，这一领域的图像分类技术已经取得重大进展并逐步商用化。计算机视觉的应用场景非常广泛，涵盖金融、安防、互联网、手机、医疗、工业等多个行业。
2. 计算机视觉的应用场景：
计算机视觉技术已广泛应用于多个行业，包括但不限于：
- 安防领域：用于疑犯追踪、视频结构化分析等。
- 金融及互联网领域：用于刷脸认证、广告营销、内容审核等。
- 手机及娱乐领域：AR特效、影像分类等。
- 医疗领域：医疗影像分析等。
- 工业领域：产品质检、自动化挖掘影像内容等。
- 自动驾驶领域：环境感知、高精地图定位、自动避障等。
3. 计算机视觉的学术研究任务：
计算机视觉在学术研究领域包括但不限于以下任务：
- 图像分类：对图像整体进行分类。
- 物体检测：对图像中的局部区域进行检测。
- 语义分割：对像素级别进行分类任务。
- 行为识别：识别空间关系、动作关系、介词方位关系等。
- 场景理解：看图写话，生成语句、段落描述等。
4. 计算机视觉行业的发展趋势与挑战：
根据报告，计算机视觉行业的未来发展趋势体现在以下几个方面：
- 商业规模增长：预计2020年市场规模将达到725亿，安防领域的爆发性增长是主要推动力。
- 技术门槛降低：开源环境使得行业入门技术门槛降低，但前沿算法的技术壁垒依然存在。
- 算法迭代：算法的不断迭代将提升限定场景识别准确率，加速向各行业应用渗透。
- 前沿算法的商业壁垒：除了前沿算法，计算机视觉公司的商业壁垒还包括产品、服务、市场等多方面综合建设。
- 综合建设的重要性：单一的技术优势并不代表企业具有解决实际业务问题的能力，需要在产品、服务、市场等方面全方位建设。
5. 技术与商业的结合：
报告指出，技术实力并不能直接转化为商业成功。计算机视觉比赛成绩和学术论文成果虽然反映了技术能力，但不一定能代表技术团队解决实际业务问题的能力。因此，在提升技术的同时，还需要考虑如何将技术有效地商业化，以及如何构建产品和市场策略。
6. 深度学习对计算机视觉的推动作用：
深度学习技术的成熟极大推动了计算机视觉行业的发展，尤其是在图像分类任务上，深度学习架构的算法大大提升了准确率。深度学习模型如AlexNet的成功展示了深度学习技术在实际商业应用中的潜力。
7. 嵌入式智能系统与后端协同智能计算：
报告还提到前端嵌入式智能系统与后端协同智能计算将推动产业的智能升级。这意味着，不仅仅是在算法和模型上的进步，还包括整个产业链的技术整合与优化，以及智能硬件的发展都是未来计算机视觉行业发展的关键点。
2017年中国计算机视觉行业的发展状态和未来趋势显示了计算机视觉技术在多个行业中的应用潜力和广泛前景，同时也指出了行业当前面临的技术挑战和商业发展中的关键因素。随着技术的不断进步和市场的进一步拓展，预计计算机视觉技术将继续在智能产业升级中扮演重要角色。
