人工智能和计算机视觉是两个不同的领域，还是同一枚硬币的两面？

计算机视觉是人工智能 （AI） 的一个分支，它使计算机和系统能够从数码照片、视频和其他视觉输入中提取有用的信息，并根据该信息执行操作或提出建议。如果人工智能赋予计算机思考的能力，那么计算机视觉赋予它们观察、观察和理解的能力。人类视觉比计算机视觉具有优势，因为它存在的时间更长。通过一生的上下文，人类视觉的优势在于学习如何区分事物，确定它们与观看者的距离，确定它们是否在移动，并确定图像是否正确。使用相机、数据和算法代替视网膜、视神经和视觉皮层，计算机视觉教会计算机在更短的时间内执行类似的任务。经过训练来检查物品或监控生产资产的系统可以迅速超越人类，因为它每分钟可以检查数千种产品或流程，同时发现难以察觉的缺陷或问题。能源、公用事业、制造业和汽车行业都使用计算机视觉，市场仍在扩大。

计算机视觉需要大量数据。它反复执行数据分析，直到能够区分事物并识别图像。例如，计算机需要输入大量轮胎照片和与轮胎相关的东西，以训练以检测汽车轮胎。对于没有任何缺陷的轮胎尤其如此。这是使用两种关键技术完成的：卷积神经网络和深度学习，一种机器学习（CNN）。通过使用算法模型，计算机可以学习如何使用机器学习来理解视觉输入的上下文。如果通过模型发送了足够的数据，计算机将“查看”数据并教育自己区分不同的图像。算法不需要编程来识别图像，而是允许机器自行学习。

通过用标签或标签将图像剖析成像素，CNN有助于机器学习或深度学习模型的“视觉”能力。它通过对标签执行卷积来创建关于它“看到”的内容的预测，这是对两个函数的数学运算，以创建第三个函数。在预测开始成真之前，神经网络会进行卷积并反复评估其预测的准确性。然后，它识别或查看图像的方式类似于人们的方式。类似于人类从远处感知图片的方式，CNN首先识别清晰的轮廓和基本形式，然后再添加细节，因为它反复测试其预测。为了理解单个图像，使用了CNN。像这样，递归神经网络（RNN）被用于视频应用中，以帮助计算机理解帧序列中图像之间的关系。以下是计算机视觉的一些应用：

狗、苹果或人的脸是可以使用图像分类进行分类的图像示例。更具体地说，它可以正确猜测给定图像属于哪个类。例如，社交网络公司希望利用它来自动识别和整理用户共享的令人反感的照片。

为了识别特定类别的图像，然后识别并列出其在图像或视频中的存在，对象检测可以采用图像分类。检测装配线上的损坏或定位需要维护的设备就是几个例子。

找到对象后，将跟踪或跟踪该对象。此操作通常使用实时视频流或一系列顺序拍摄的照片来执行。例如，自动驾驶汽车除了对其进行分类和检测以避免碰撞并遵守交通法规外，还必须跟踪行人、其他车辆和道路基础设施等移动物体。

基于内容的图像检索不是专注于附加到照片上的元数据标签，而是使用计算机视觉从海量数据存储库中浏览、搜索和检索图像。可以使用自动图片注释代替此活动的手动图像标记。这些任务可用于数字资产管理系统，以提高搜索和检索精度。