计算机视觉走过低潮期之后在全世界发展已经有快40年了，80年代后计算机视觉成为一门独立学科，并开始从实验室走向应用。但是在国内计算机视觉的发展才刚刚起步。很多人说计算机视觉饱和怎么办？今天来讲讲我的看法。
计算机视觉饱和怎么办？
先说结论：我认为计算机视觉并没有饱和，由于近几年深度学习的发展，计算机视觉应用的前景广阔。而且越来越多的应用场景被挖掘出来。
回到正题，由于算法准确度和理论的不断提高，很多垂直领域的需求也逐渐被提出来，有很多甚至是比较”奇葩”的应用。举个例子：前一阵子有人提了一个需求：通过图像自动识别下图中木材的数量。这样车辆每次经过，就不用那么费劲用人工去数了。
目前来看，要做到高准确度，难度依然不小，但至少还是很有希望的。这要放在几年前，可能大家都不敢想象。
其实我举这个例子，就是想说明一点，计算机视觉的应用非常多，远没达到饱和的地步，算法在提高的同时，更具挑战性的应用也会被提出来，这是相辅相成的。人脸，车牌/车型以及物体分类跟踪是当前比较受关注的应用，包括很多明星企业，也主要是做这个领域，但其实这只是一小部分而已。还有其他更有价值的领域，比如产品缺陷检测，雷达图像分析，医学图像分析(比如癌细胞早期筛查)等等，太多了就不展开细讲了。即便是大家耳熟能详的人脸识别，其实也有很多细分领域的应用等着去挖掘。
如果说2012年到现在的10年当中，计算机视觉进入了技术快车道的话。那么接下来，很显然重点应该是如何让飘在半空的计算机视觉技术与需求落地了。
免费分享一些我整理的人工智能学习资料给大家，包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI，推荐大家收藏一份。
下面是部分截图，文末附免费下载方式。
一、人工智能课程及项目
二、国内外知名精华资源
三、人工智能论文合集
四、人工智能行业报告
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。