广州大学计算机视觉作业.zip

计算机视觉是一门多领域交叉学科，它融合了图像处理、机器学习、深度学习以及神经网络等技术，旨在使机器能够“看”并理解图像。广州大学的2021年计算机视觉课程作业，由wsw老师指导，为学生提供了一个实践和理论相结合的学习平台，帮助他们深入理解和应用相关知识。 在这样的作业中，学生们可能会接触到以下几个核心知识点： 1. 图像处理基础：包括图像的获取、数字化、颜色模型（如RGB、HSV）、图像增强（如对比度调整、锐化）、滤波（如高斯滤波、中值滤波）以及特征提取（如边缘检测、角点检测）等。这些基础知识是计算机视觉的基础，通过处理图像可以提取有用信息。 2. 特征描述与匹配：在计算机视觉中，特征描述是识别图像的关键步骤，如SIFT、SURF、ORB等算法用于寻找图像中的不变性特征，并进行匹配，这对于图像拼接、物体识别、目标跟踪等任务至关重要。 3. 目标检测与识别：这部分可能涉及Haar特征和Adaboost算法的行人检测、YOLO或SSD等深度学习模型进行实时目标检测，以及CNN（卷积神经网络）进行图像分类，例如ImageNet挑战中常见的ResNet、VGG、Inception等模型。 4. 语义分割：通过FCN（全卷积网络）或U-Net等网络结构，实现像素级别的图像分类，用于场景解析、医学影像分析等任务。 5. 深度学习基础：包括神经网络的基本结构、反向传播算法、损失函数、优化器（如SGD、Adam）以及模型训练过程。学生可能需要构建和训练自己的卷积神经网络模型来完成特定任务。 6. 三维视觉：在某些高级作业中，可能涉及立体视觉、深度估计、SLAM（Simultaneous Localization and Mapping，同时定位与建图）等，这些技术在机器人导航和增强现实等领域有广泛应用。 7. 实践项目：实际的作业可能包含对公开数据集（如MNIST、COCO、PASCAL VOC）的分析，或者要求学生自己采集数据，设计并实现一个完整的计算机视觉项目。 通过广州大学的这门课程，学生不仅能掌握计算机视觉的基本概念，还能通过实践加深理解，提升编程和问题解决能力。同时，wsw老师的指导将帮助学生紧跟领域前沿，为未来的研究或职业生涯打下坚实基础。