关于计算机视觉研究方向分类的问题，小编就整理了3个相关介绍计算机视觉研究方向分类的解答，让我们一起看看吧。
计算机视觉哪个方向比较有前景？计算机视觉有2个方向比较有发展前景：基于深度学习的和基于几何方法的。
基于深度学习的：
文字识别、图像识别、人脸识别、视频内容理解、医疗影像诊断、神经网络芯片、驾驶辅助等。
基于几何方法的：
虚拟现实、增强现实、三维重建、机器人、无人机、无人驾驶等
计算机视觉三大领域是什么？1. 图像分类（Classification），即是将图像结构化为某一类别的信息，用事先确定好的类别(category)或实例ID来描述图片。
2. 目标检测（Detection）。分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息（classification + localization）。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因此检测模型的输出是一个列表，列表的每一项使用一个数组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。
3. 图像分割（Segmentation）。分割包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。
除了深度学习，计算机视觉还有哪些方向值得研究？机器视觉的终极目的，是像生物一样，让机器拥有自己的视觉。顺着这个思路，机器视觉的目的和意义，就很明确了。明确了机器视觉的目的后，机器视觉的任务也就明确了。所以，机器视觉的任务，应该包括以下几类：1.三维空间机器视觉感知。2.基于视觉感知的视觉识别。3.加入时间参数后的机器视觉感知和识别，比如视觉定位，运动感知，物体追踪等。4.基于视觉感和知的基础上视觉概念的生成和对视觉事件的理解和解析。
综上，目前的深度学习技术只是完成了机器视觉任务的第二项任务中的一个小部分。存在的主要问题包括：1.深度学习技术只是定性，不能定量，例如，只知道识别物体，不知道物体的大小尺寸，因为不是基于三维空间数据，无法定量检测。反过来说，深度学习技术应该基于三维空间进行，这样就可以实现定量检测和准确识别。2.深度学习技术需要大样本，标注后的学习过程，无法实现无监督，小样本的示范性学习，学习时消耗的功率和算力太多。
所以，目前的深度学习技术开辟了机器自动学习的模式和时代，特别是大规模神经网络结构，开辟了机器向人类大脑结构学习的方法和思路。目前的机器深度学习技术架构以及基础的运算架构只是一种过渡性技术，不远的未来一定被其它具有自学习，自组织的架构所替代。机器视觉是机器学习技术的最佳应用场所，未来的趋势是基于三维数据的一次性示范学习，以及基于基本视觉元素和属性基础上的高阶机器视觉概念的自动生成和自动学习。
到此，以上就是小编对于计算机视觉研究方向分类的问题就介绍到这了，希望介绍计算机视觉研究方向分类的3点解答对大家有用。
