初识计算机视觉

计算机视觉三大顶级会议

1. ICCV，全称为IEEE International Conference on Computer Vision，每二年召开一次，是计算机视觉领域最高级别会议，会议论文被EI收录，但其影响力不亚于SCI一区。会议网址格式为：http://iccv2019.thecvf.com/ http://iccv2017.thecvf.com/
2. ECCV，全称为Europeon Conference on Computer Vision，每二年召开一次。2018年召开过一次：https://eccv2018.org/，https://www.eccv2016.org/
3. CVPR，International Conference on Computer Vision Pattern Recognition，每年召开一次，http://cvpr2019.thecvf.com/

机器学习三大顶级会议

1. ICML， International Conference on Machine Learning，https://icml.cc/
2. NIPS，Conference and Workshop on Neural Information Processing Systems，https://nips.cc/

其它相关顶级会议

机器学习：ICML，NIPS，ECML，AISTATS，UAI

人工智能：AAAI，IJCAI

计算机视觉：CVPR，ICCV，ECCV

数据挖掘：KDD，ICDM

自然语言处理：ACL，ENMLP，NAACL

信息检索：SIGIR

计算机视觉发展的四个主要阶段

1. 马尔计算视觉。
2. 主动和目的视觉。对马尔计算机视觉的批判，“主动视觉”应该是一个非常好的概念，但困难在于“如何计算”。 主动视觉往往需要“视觉注视”（visual attention），需要研究脑皮层（cerebral cortex）高层区域到低层区域的反馈机制，这些问题，即使脑科学和神经科学已经较20年前取得了巨大进展的今天，仍缺乏“计算层次上的进展”可为计算机视觉研究人员提供实质性的参考和借鉴。近年来，各种脑成像手段的发展，特别是 “连接组学”（Connectomics）的进展，可望为计算机视觉人员研究大脑反馈机制提供“反馈途径和连接强度”提供一些借鉴。
3. 多视几何和分层3D重建。Multiple View Geometry and Stratified 3D Reconstruction,多视几何的理论基础是射影几何，分层重建过程有三步，先从多幅图像的对应点重建射影空间下的对应空间点(即射影重建：projective reconstruction)，然后把射影空间下重建的点提升到仿射空间下(即仿射重建：affine reconstruction)，最后把仿射空间下重建的点再提升到欧几里德空间（或度量空间: metric reconstruction）。
4. 基于学习的视觉
   1. 流形学习（Manifold Learning），就是从图像表达（像素信息）学习其内在流形表达的过程，流形学习始于2000年在Science 上发表的二篇文章（ Tenenbaum et al., 2000） (Roweis & Lawrence 2000)。流形学习一个困难的问题是没有严格的理论来确定内在流形的维度。人们发现，很多情况下流形学习的结果还不如传统的PCA （Principal Component Analysis），LDA（ linear DiscriminantAnalysis ）， MDS（ Multidimensional Scaling）等. 流形学习的代表方法有：LLE（Locally Linear Embedding ）(Roweis & Lawrence 2000)，Isomap （ Tenenbaum et al., 2000）， Laplacian Eigenmaps (Belkin & Niyogi, 2001)等。
   2. 深度学习（Deep Learning）。
      1. 在空间视觉方面仍然无法与基于几何的方法相媲美
      2. 在静态图像物体识别方面已经成熟
      3. 基本上都是前馈网络，不同的网络主要体现在代价函数不同。可以探索下反馈网络
      4. 用RNN处理视频。带长距离反馈的深度网络可作为一个图像理解的研究方向
      5. 深度学习成果丰硕，但还缺乏相应的理论解释