多模態與應用
Computer Vision 電腦視覺是什麼？讓機器不只看到，還要看懂
Computer Vision 簡稱 CV，中文叫電腦視覺，是讓電腦能夠看懂並理解圖片與影片內容的技術。它是 AI 的一個重要分支，透過影像處理與深度學習模型，讓電腦從像素中擷取資訊、辨識物體、理解場景，進而做出判斷或決策。常見任務包含影像分類、物體偵測、影像分割、人臉辨識與文字辨識。
Computer Vision 電腦視覺是什麼？讓機器不只看到，還要看懂
手機相簿會自動把你朋友的照片歸成一類，過收費站不用停車就自動辨識車牌，這些背後都是同一項技術。
電腦視覺處理的是「看」這件事。它讓機器從一堆像素裡，讀出人類一眼就懂的資訊。
你將學到什麼
定義
讓電腦看懂圖片與影片內容，從像素中擷取資訊並做出判斷。
白話比喻
給機器一雙眼睛，還要教會它眼睛看到的是什麼。
五個步驟
輸入影像、前處理、特徵擷取、理解預測、輸出結果。
跟誰容易搞混
常跟文字辨識畫上等號，文字辨識只是它其中一項任務。
定義
Computer Vision 簡稱 CV，中文叫電腦視覺，是讓電腦能夠看懂和理解圖片、影片內容的技術。
它是 AI 的一個重要分支，透過影像處理與深度學習模型，讓電腦從像素中擷取資訊、辨識物體、理解場景，進而做出判斷或決策。
運作流程
- 輸入影像，把圖片或影片送進系統
- 影像前處理，調整大小、去噪、色彩轉換，讓影像更適合模型處理
- 特徵擷取，使用深度學習模型擷取影像中的重要特徵
- 理解與預測，根據特徵進行分析，辨識物體、分類影像、偵測位置或理解場景
- 輸出結果，回傳辨識結果或標註資訊
常見任務
| 任務 | 在做什麼 | 輸出長什麼樣 |
|---|---|---|
| 影像分類 | 判斷整張圖片的類別 | 海灘 95 分，城市 3 分，山景 1 分 |
| 物體偵測 | 找出圖片中有哪些物體及位置 | 用方框標出汽車、公車、行人 |
| 影像分割 | 將影像中的每個像素分類 | 把天空、道路、草地各自上色 |
| 人臉辨識 | 辨識或驗證人物身分 | 這張臉是誰，或是否為本人 |
| 文字辨識 | 從圖片中擷取文字 | 把招牌上的字轉成可編輯的文字 |
實際用例
智慧醫療用它做影像檢測、病灶偵測與輔助診斷；自動駕駛用它做環境感知、物體偵測與車道辨識；智慧安防用它做影像監控、人臉辨識與異常行為偵測。
零售與製造用它做商品辨識、瑕疵檢測與庫存管理；生活應用則更貼身，濾鏡特效、拍照辨識、擴增實境與以圖搜圖都算。
常見技術與模型
卷積神經網路擅長擷取影像特徵，是電腦視覺的基礎架構。物件偵測模型追求即時與速度，影像分割模型做像素級分類，常用於醫療與自動駕駛。
近年的視覺變換模型結合了 Transformer 架構，強化理解與泛化能力，也讓影像可以跟文字放進同一套 Embedding 語意向量 空間，做到以文找圖。經典的開源影像處理函式庫 OpenCV 則仍是很多專案的基本工具。
常見誤解誤解一，以為辨識準確率高就等於可以直接上線。實際場景的光線、角度與遮擋跟訓練資料差很多，落地前一定要用真實環境的樣本測過。誤解二，忽略隱私問題。人臉辨識牽涉個人生物特徵，蒐集與使用都有法規要求，不是技術做得到就可以做。
本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤 酒Ann 的 Facebook。
延伸學習
常見問答
電腦視覺跟 OCR 是同一件事嗎？
不是。OCR 是從圖片中擷取文字，屬於電腦視覺底下的一項任務。電腦視覺涵蓋的範圍大得多，還包含影像分類、物體偵測、影像分割與人臉辨識等等。可以說 OCR 是電腦視覺的一個子集。
影像分類跟物體偵測差在哪？
影像分類是判斷整張圖片屬於哪個類別，回答的是這張圖是什麼。物體偵測則要找出圖片中有哪些物體以及它們的位置，會用方框標出來，回答的是哪裡有什麼。影像分割更細，是把每個像素都分類。
多模態模型算電腦視覺嗎？
算是重疊的領域。多模態模型能同時處理影像與文字，你丟一張圖問它這是什麼，它會用自然語言回答。這類應用結合了視覺理解與語言生成，是電腦視覺近年最明顯的變化之一。