大有可為，行業目前成就僅是冰山一角。
有些朋友認為CV進入瓶頸期的，可能是一些計算機視覺的經典問題，論文化，學術化的，如物體識別和檢測（人臉，行人，物體，場景 etc）．但是如果能死磕這些經典問題，往往能帶來質的突破，比如說對於ImageNet物體識別GoogLeNet之後，大部分人應該都不會想到還有ResNet出現先說結論：由於近幾年深度學習的發展，計算機視覺應用的前景廣闊。而且越來越多的應用場景被挖掘出來。比如影片自動識別，在公安中應用，遙感影像自動提取在國土智慧監管中應用。
其實我舉這個例子，就是想說明一點，計算機視覺的應用非常多，遠沒達到飽和的地步，演算法在提高的同時，更具挑戰性的應用也會被提出來，這是相輔相成的。人臉，車牌/車型以及物體分類跟蹤是當前比較受關注的應用，包括很多明星企業，也主要是做這個領域，但其實這只是一小部分而已。還有其他更有價值的領域，比如產品缺陷檢測，雷達影象分析，醫學影象分析（比如癌細胞早期篩查）等等，太多了就不展開細講了。即便是大家耳熟能詳的人臉識別，其實也有很多細分領域的應用等著去挖掘。以下是第二屆數字中國峰會的競賽題目，AI識別鋼筋數量，說明什麼?cV不斷與業務融合，在某個業務痛點上發揮無可替代作用。
大有可為，行業目前成就僅是冰山一角。
有些朋友認為CV進入瓶頸期的，可能是一些計算機視覺的經典問題，論文化，學術化的，如物體識別和檢測（人臉，行人，物體，場景 etc）．但是如果能死磕這些經典問題，往往能帶來質的突破，比如說對於ImageNet物體識別GoogLeNet之後，大部分人應該都不會想到還有ResNet出現先說結論：由於近幾年深度學習的發展，計算機視覺應用的前景廣闊。而且越來越多的應用場景被挖掘出來。比如影片自動識別，在公安中應用，遙感影像自動提取在國土智慧監管中應用。
其實我舉這個例子，就是想說明一點，計算機視覺的應用非常多，遠沒達到飽和的地步，演算法在提高的同時，更具挑戰性的應用也會被提出來，這是相輔相成的。人臉，車牌/車型以及物體分類跟蹤是當前比較受關注的應用，包括很多明星企業，也主要是做這個領域，但其實這只是一小部分而已。還有其他更有價值的領域，比如產品缺陷檢測，雷達影象分析，醫學影象分析（比如癌細胞早期篩查）等等，太多了就不展開細講了。即便是大家耳熟能詳的人臉識別，其實也有很多細分領域的應用等著去挖掘。以下是第二屆數字中國峰會的競賽題目，AI識別鋼筋數量，說明什麼?cV不斷與業務融合，在某個業務痛點上發揮無可替代作用。