智能視覺是人工智能的大門，如果不打開這扇大門，就沒有辦法深入研究人工智能。人的大腦皮層70%的活動都在處理視覺信息，視覺信息與聽覺信息、觸覺信息相比要重要得多。同理，如果沒有視覺信息的話，人工智能只是一個做符號推理的空架子。

智能視覺涉及心理物理學、計算機科學、圖像處理、模式識別、神經生物學等諸多領域，主要指利用計算機來模擬人或再現與人類有關的某些智能行為的技術，客觀的來說，這是從事物的圖像中提取信息進行處理并加以理解，從而最終用于實際的生產生活中去的過程。

由此可見，圖像分析是智能視覺中最為重要的一環。圖像分析與圖像處理關系密切，兩者有一定程度的交叉，但是又有所不同。

圖像分析更側重點在于研究圖像的內容，包括但不局限于使用圖像處理的各種技術，它更傾向于對圖像內容的分析、解釋、和識別；而圖像處理側重于信號處理方面的研究，如圖像對比度的調節、圖像編碼、去噪以及濾波的研究。

那么，智能視覺將通過哪些形式影響人工智能呢？

01

智能設備在視覺上開戰

隨著智能設備的系統越來越接近“人性化”即人工智能，它將更需要通過視覺途徑來學習和處理其他數據，也因此，智能視覺技術爭奪戰即將打響。例如，亞馬遜最近為其以Alexa作為語音助手的智能設備Echo，添加了一臺攝像頭，而Google（Lens）和Facebook最近又發布了新的增強現實研究的聲明。

02

智能視覺引領無人駕駛

我們經常會看到這樣的爭論：無人駕駛汽車是否需要激光雷達？僅依賴智能視覺的解決方案足夠嗎？對此，業界普遍認為，汽車不僅僅需要智能視覺傳感器平臺——相機，也需要比GPS更精確的LiDAR和高精度無線電導航，因為LiDAR和雷達通過范圍和角度來精確定位周圍環境中的實際物體，而智能視覺解決方案則應用深度學習算法運行圖像，取得預測的結果。然而，光學解決方案能在實際生活中識別某個地方的效果更好。

03

智能視覺是優秀的“學習途徑”

機器不僅僅通過神經網絡和機器學習來學習，他們還通過其它方法來學會識別和分析他們周圍的世界。Google的科學家展示過一種技術：通過將屋頂上的直線或紫色水果中所存在的偏差放大來判斷判定舊房子的結構是否存在問題或者是某個西紅柿是否比其他的成熟的更好、更飽滿。這看似很簡單，卻是智能視覺的優秀“教學”案例。

04

智能視覺優化醫療診斷

病理學家平均每天有500張幻燈片要處理，而每張幻燈片又包含數十萬個需要分析的單個細胞，人類無法像計算機一樣高效的工作，醫生很容易遺漏癌細胞，造成誤判。智能視覺技術可以恰當的解決這個問題：病理學家查看他們所熟悉的數據，與那些由智能視覺系統處理過的圖像結合，基本上就可以確定癌癥的區域，然后醫生通過專門研究這些區域作出診斷。以乳腺癌研究為例，如果沒有智能視覺技術，活檢只有85％的準確率，而使用智能視覺作為輔助，錯誤率將下降到只有5％。

05

智能視覺降低人工智能門檻

優質相機、傳感器和深度學習軟件庫等的商品化大大擴展了智能視覺的使用范圍，我們看到許多新的初創公司的出現。不論是由街景視圖圖像生成人口分析報告的技術，還是能夠對事故發生后汽車的損壞程度進行評估并且計算出維修成本的應用程序，我們可以看到智能視覺在多個方面已經出現了讓人難以置信的商業化，這極大地推動了人工智能的發展。