- 综合排序
- 最热优先
- 最新优先
- 来自专栏优图实验室的专栏
视觉AI，第一！
刚刚，腾讯的视觉AI能力得到了国际权威行业研究机构IDC的认可。 在IDC发布的“2021年亚太地区（不含日本）视觉人工智能软件平台供应商”评估报告中，腾讯的视觉AI能力位列中国厂商战略维度第一！ 作为中国最大的人工智能服务提供商之一，腾讯云在AI领域的技术和应用一直走在前列。目前，腾讯云AI已提供了超过300多项标准化AI开放能力和80+AI行业解决方案。 在本次的评估中，依托腾讯优图实验室等顶尖实验室多年的技术研究和落地探索，腾讯云AI为数十万家内外部客户提供AI技术服务和丰富的计算机视觉产品组合，包括人脸识别、人脸核身、图像视频处理和分析、OCR与AI 泛娱乐等，同时也为国家人口普查、健康码、粤港澳小程序等提供核心的自研AI技术能力，为金融、工业、汽车等传统企业提供端到端的解决方案，腾讯云都提供了非常丰富的视觉AI产品组合，这也是IDC给出高分的一大原因 作为腾讯顶级的人工智能实验室，腾讯优图实验室始终专注基础研究、产业落地两条腿走路的发展战略，持续输出顶尖的视觉AI能力。
1.1K30发布于 2021-10-28 - 来自专栏腾讯云智能·AI公有云
腾讯云AI牵头制定2项计算机视觉标准
计算机视觉作为人工智能的关键技术之一，是目前人工智能应用于产业经济的重要驱动力。 然而，业界缺乏对计算机视觉系统在可靠性、安全性、规范性等的系统性测评方法和标准建立，一定程度上影响着计算机视觉系统的广泛应用和技术发展。 在腾讯优图实验室、腾讯标准团队支持下，腾讯云AI牵头了本次《人工智能 深度合成图像系统技术规范》、《人工智能 智能字符识别技术规范》2项标准的制定工作。 |《失控玩家》：AI自我觉醒与程序员的浪漫情书 | 黑产肆虐的背后，人工智能如何剥开“面具”伪装？| 加速普惠AI，腾讯云AI在下一盘什么大棋？| 谁，复制了另一个我？ | 全球 Top2！
3.3K10编辑于 2022-08-26 - 来自专栏点云PCL
SLAM综述(2)-视觉SLAM
视觉传感器的产品和公司 •Microsoft：Kinectc v1（结构化轻型），Kinect v2（TOF）， Azure Kinect（带有麦克风和IMU）。 ? •DVO：它（RGB-D）提出了一种密集的视觉SLAM方法，一种基于熵的相似度度量用于关键帧选择和基于g2o框架的闭环检测[36]。 •RGBD-SLAM-V2：利用（RGB-D）深度相机即可重建准确的3D密集模型[37]。 •Kintinuous：它（RGB-D）是一种视觉SLAM系统，具有实时全局一致的点和网格重构[38]。 IEEE Robotics and Automation Letters, 2(2):796– 803, 2017. [21] D. Schlegel, M. Colosi, and G. IEEE Robotics and Automation Letters, 2(2):593–600, 2016.
1.9K22发布于 2020-10-26 - 来自专栏快乐学AI系列
快乐学AI系列——计算机视觉（2）特征提取和描述
图片本系列是由“MATRIX.矩阵之芯”精炼的AI快速入门系列，特色是内容简洁，学习快速。 相关要求：学员需要掌握Python编程基础，另外还需要有一定的线性代数、概率论基础。 来个例子：import cv2import numpy as np# 读取图像 原图+黑白图img = cv2.imread('image.jpg')cv2.imshow("Image", img)img = cv2.imread('image.jpg', 0)# Sobel算子进行边缘检测sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)sobely 同时，角点检测也是计算机视觉中常用的技术之一，它可以检测出图像中的角点，是很多视觉任务的基础。常用的角点检测算法有Harris角点检测算法、Shi-Tomasi角点检测算法等。 这些算法中的特征描述向量具有很好的鲁棒性和独特性，因此在许多计算机视觉应用中被广泛使用。
1.3K30编辑于 2023-03-29 嵌入式AI视觉落地的那些事儿——直面AI视觉落地难的挑战
一、QT界面开发：算法与界面必须解耦嵌入式AI应用通常需要图形界面，QT是常见选择。但开发中容易陷入一个误区：把算法函数直接写在界面类的响应函数里。点一下“开始检测”，界面就卡住，直到检测完成才能动。 三、嵌入式平台适配：每块板子有自己的脾气RK3588和Jetson Orin是当前主流的嵌入式AI平台，但开发体验差异不小。交叉编译环境搭建就是个开端，库依赖容易出问题。 五、从原型到产品，每一步都不能省嵌入式AI产品开发，不是“写个算法然后拷过去”那么简单。界面要响应快，算法要跑得稳，硬件资源要榨干，还要考虑设备长时间运行的散热和稳定性。 高培觉得嵌入式AI开发需要的不是单点技术，而是全局视角：QT界面、OpenCV算法、模型部署、多线程优化、硬件加速、系统稳定性，缺一不可。
4900编辑于 2026-03-23- 来自专栏周景超的专栏
腾讯 AI Lab 计算机视觉中心人脸 & OCR 团队近期成果介绍 ( 2 )
腾讯AI Lab计算机视觉中心人脸&OCR团队是2016年11月底开始组建和开展工作，我们以研发业界领先的算法为目标驱动，逐步克服人手不足、训练数据不足等困难，不断夯实基础，做既有原创性又能落地应用的国际前沿研究 在上一期（腾讯AI Lab 计算机视觉中心人脸&OCR团队近期成果介绍（1））中已经介绍了我们团队的一些研究成果，近期，我们团队有一些新的成果再和大家进一步分享。 1. Megaface Challenge 2的常规识别测试集的识别准确率结果对比 表2. Megaface Challenge 2的常规识别测试集的验证准确率结果对比 表3. 2. 项目合作 人脸与OCR是计算机视觉领域应用非常广泛，受到工业界和学术界高度关注的一个研究领域和方向，不仅难度很大而且竞争非常激烈。
3.2K30发布于 2017-09-25 - 来自专栏TEG云端专业号的专栏
腾讯AI Lab计算机视觉中心人脸&OCR团队近期成果介绍（2）
腾讯AI Lab计算机视觉中心人脸&OCR团队是2016年11月底开始组建和开展工作，我们以研发业界领先的算法为目标驱动，逐步克服人手不足、训练数据不足等困难，不断夯实基础，做既有原创性又能落地应用的国际前沿研究 在上一期（腾讯AI Lab 计算机视觉中心人脸&OCR团队近期成果介绍（1））中已经介绍了我们团队的一些研究成果，近期，我们团队有一些新的成果再和大家进一步分享。 Megaface Challenge 2的常规识别测试集的识别准确率结果对比 表2. Megaface Challenge 2的常规识别测试集的验证准确率结果对比 表3. 图2. ch=1&com=evaluation&task=3） 3 项目合作 人脸与OCR是计算机视觉领域应用非常广泛，受到工业界和学术界高度关注的一个研究领域和方向，不仅难度很大而且竞争非常激烈。
65220编辑于 2023-03-30 - 来自专栏CreateAMind
pix2pix视觉景深学习 彩色视频2
v2 解决了大卡车训练不足的问题，精度也提高了。 黑白图： v1 左侧为原始数据， 左上rgb图像；右上是深度图的差值效果， 左下深度图，右下是从rgb由pix2pix预测的深度图； 可以看出来，预测基本准确，边缘部分波动稍微大一些。
29220发布于 2018-07-24 - 来自专栏智慧物联产品＆方案
AI视觉识别有哪些工业应用
AI视觉识别，主要是利用人工智能算法对图像或视频数据进行分析和处理，以提取关键信息并执行筛选、判断、预警等任务。AI视觉识别涵盖多种应用，如人脸识别、目标检测和识别、图像分割、行为识别、视频分析等。 本篇就简单介绍一下AI视觉识别的应用场景。1、质量控制和检验在制造领域，AI视觉识别可用于检查生产线上的产品是否存在缺陷，确保产品质量稳定，减少残次品。 2、物体识别和跟踪AI视觉识别可用于辅助机器人执行对物体的捡拾、放置、运输等操作，以及无人车辆的自主导航等任务。 5、智慧零售在零售领域，AI视觉识别可以通过监控店铺客流、货架消耗来分析营销和库存水平，提升店铺经营效率。6、智慧农业AI视觉识别可以通过空中或地面图像，识别监测作物生长状态、健康状况、病虫害情况等。 7、自动驾驶汽车AI视觉可以帮助车辆感知环境、检测障碍物并安全导航，这已成为智能化新能源车的必备能力之一。以上人工智能视觉识别在不同行业的多样化应用的几个例子。
1.6K10编辑于 2023-11-27 - 来自专栏理论坞
视觉数据和AI的“杀手应用”
虽然许多人正在寻找“杀手级”的视觉，但更有可能视觉是AI和计算机的“杀手级应用”。 ? 今天有AI模块的app，只需拍摄一个照片，便可在几秒钟内告诉你狗的种类，或植物的种类。 例如，最前沿的AI系统采用在人脑神经网络之后建模的深度学习或深层神经网络。（当然，他们没有任何地方接近人类相同的能力）。 AI系统和视觉数据 视觉对于我们具有非常重要的意义，这解释了为什么65％的人都是视觉工作者。 要做到这一点，它需要更高质量的视觉数据和复杂的算法将信息翻译成有意义的东西。 当涉及到AI，领先的科技公司都在这个领域寻求突破和探索。他们知道，AI是一个改变我们生活和工作的游戏规则。 虽然许多人正在寻找“杀手级”视觉，但我想说，视觉是AI和计算领域的“杀手级” 。 我们已经依赖于视觉内容。然而，飞飞预测，随着相机技术和传感器的使用越来越多，未来将更加依赖它。
52930发布于 2018-08-06 - 来自专栏做数据的二号姬
认真聊AI | 计算机视觉
计算机视觉是一门研究如何对数字图像或视频进行高层理解的交叉学科。 据说人一生中70%的信息都是通过看获得的，很容易联想到，对于致力于和人类一样拥有智能的AI也很看重看得能力。 实际上，计算机视觉的技术在生活的方方面面都有着应用，如指纹识别、车牌识别、人脸识别、视频监控、自动驾驶、增强现实等。 视觉任务处理对人类来说非常简单，但是对计算机来说确很复杂。 尽管计算机视觉任务繁多，但大多数任务本质上可以建模为广义的函数拟合问题。即对任意输入图像X，需要学习一个以Θ为参数的函数F，使得y=F0(X)。 除此之外，基于深度学习的计算机视觉应用也比较多，神经网络之类的方法在计算机视觉上的应用还是比较广的。 比如现在应用比较广的人脸识别技术，仅从步骤上来说，也就是简单的几个步骤： 第一步，人脸检测。 尽管深度学习给计算机视觉带来了很多革命性的改变，但是目前的计算机视觉领域还是一个以来大规模、强监督的数据路线上。从这个角度上来说，计算机视觉可能更像一个劳动密集型的产业，大量依赖于数据标注。
32200编辑于 2025-07-14 - 来自专栏人工智能
多模态AI与视觉语言模型
然而，真实世界的智能需要跨越感官的界限，实现视觉、语言、声音等多种信息的统一理解与生成。 CLIP：连接视觉与语言的桥梁 CLIP原理 CLIP（Contrastive Language-Image Pre-training）由OpenAI于2021年发布，通过简单而强大的理念实现了视觉和语言的统一理解 1) plt.imshow(image) plt.axis('off') plt.title('Input Image') plt.subplot(1, 2, 2) 从零样本分类到图像生成，从视觉问答到多模态对话，多模态技术正在不断拓展AI的能力边界。 未来，随着模型规模的扩大和训练数据的积累，多模态AI将在更多领域发挥作用，为人机交互带来革命性变化。 掌握多模态学习的技术，将帮助读者在AI浪潮中把握机遇，创造更智能的应用。
41710编辑于 2026-01-21 - 来自专栏CreateAMind
彻底解决AI视觉深度估计
不同种类的视差敏感细胞可以在视觉皮层的早期发现[1,2]，并且所产生的信号似乎出于不同的目的通过背侧和腹侧通路传播；顶叶区域（特别是前顶叶和侧顶叶内区域）对手和眼运动中视觉引导动作的深度估计做出了重大贡献 [3,4]，⽽颞下皮层则⽀持基于相对差异创建 3D 形状对象之间[2,5]。 换句话说，对物体深度的估计自然地通过反转一个视觉生成模型得到，在该模型中，产生的预测误差向上流动到皮层层次结构中，这与神经网络中发生的直接过程形成对比。 2. 在行动阶段，2D 信念是固定的，智能体可以关注预测的投影，而在感知阶段，智能体可以推断物体的 2D 位置，但不允许移动其视线。 这意味着投影的预测误差一次一步交替地沿不同方向（2D 位置和视角）流动，这会导致 (i) 对象被拉向相机平面的中心，以及 (ii) 估计的 2D 位置向正确位置收敛，如图 6 所示。
75711编辑于 2024-04-11 - 来自专栏书山有路勤为径
特征点法视觉里程计（2D-2D）
特征点提取与匹配 经典SLAM模型中以位姿-路标（Landmark）来描述SLAM过程 路标是三维空间中固定不变的点，能够在特定位姿下观测到 数量充足，以实现良好的定位 较好的区分性，以实现数据关联 在视觉 (汉明距离) 加速：快速最近邻居（FLANN） 特征匹配之后，得到特征点之间的对应关系 如果只有两个单目图像，得到2D-2D的关系——对极几何 如果匹配的是帧和地图，得到3D-2D的关系—— PnP 如果匹配的是 RGB-D,得到3D-3D的关系——ICP 2D-2D对极几何 P在两个图像的投影为 ? 5.两侧左乘：t^x_2 = t^Rx_1 6.再一步左乘： ? t^ ? = ? t^ ? 7 . 对极约束 ? t^ ? ? ? ? ? 2D-2D对极几何小结 2D-2D情况下，只知道图像坐标之间的对应关系 当特征点在平面上时，（例如俯视或者仰视），使用H恢复R,t 否则，使用E或F恢复R,t t没有尺度 求得R,t后： 利用三角化计算特征点的
1.3K20发布于 2019-06-15 - 来自专栏AiCharm
视觉显著性目标检测综述（2）
Wu等［56］提出的DCN模型将整个网络分为2个阶段，其中分解网络迭代地利用跨任务聚合和跨层聚合模块同时进行显著性、边缘和骨架图的预测，而在合成网络中，使用边缘和骨架信息学习分别定位显著目标的边界和内部
96521编辑于 2023-05-15 视觉智能·场景进化：AI 视频系统训练平台重塑智能视觉新范式
AI 视频系统训练平台通过构建端到端的视频理解与生成训练体系，实现了从"单帧识别"到"时序理解"、从"通用模型"到"场景专家"的技术跨越，为智能视频分析提供全方位的模型训练支持。 核心痛点解析场景迁移性能差：在特定场景训练的模型，迁移到新环境时性能急剧下降标注成本极其高昂：视频标注需要逐帧处理，时间成本是图像的数十倍时序关系建模困难：传统方法难以有效捕捉视频中的长时序依赖关系多模态融合低效：视觉 工业视觉检测针对制造业质量检测需求，提供小样本缺陷检测训练方案。通过生成对抗网络合成缺陷样本，解决正负样本不均衡问题，使缺陷检出率提升至 99.3%，误报率降至 0.02%。
34410编辑于 2025-10-30- 来自专栏燧机科技-视频AI智能分析
加油站ai视觉识别系统
加油站ai视觉识别系统通过yolov7网络模型深度学习，加油站ai视觉识别系统对现场画面中人员打电话抽烟等违规行为，还有现场出现明火烟雾等危险状态。 加油站ai视觉识别系统还可以对卸油时灭火器未正确摆放、人员离岗不在现场、卸油过程静电释放时间不足等不规范情形进行智能识别记录。
65230编辑于 2023-03-05 HarmonyOS NEXT AI基础视觉服务-人脸识别
案例描述这是一个基于AI基础视觉服务实现的人脸识别案例，通过调用设备相册选择图片后检测图像中的人脸信息并展示结构化识别结果。实现步骤：1. from '@kit.CoreVisionKit';import { promptAction } from '@kit.ArkUI';import { JSON } from '@kit.ArkTS';2. 人脸检测核心实现// 初始化人脸检测器faceDetector.init();// 配置视觉识别参数const visionInfo: faceDetector.VisionInfo = { pixelMap UI组件定义@Entry@ComponentV2struct FaceDetector { @Local isFace: boolean = false2. kit.CoreVisionKit';import { promptAction } from '@kit.ArkUI';import { JSON } from '@kit.ArkTS';@Entry@ComponentV2struct
44710编辑于 2025-03-30- 来自专栏新智元
加上AI视觉，2小时学会抓螺母
这次，华为「天才少年」稚晖君用机械臂实现精准抓取螺母，从模型训练到部署只花了2个小时。 还记得上次那个「全栈自研」的给葡萄缝针的钢铁侠机械臂Dummy吗？ Dummy学会抓螺母 这次，稚晖君用Dummy做了个简单的AI视觉抓取demo，让机械臂Dummy学会了用机械臂抓取螺母。 机械臂好不容易将螺母放上去，又被稚晖君拿了下来。 稚晖君介绍，目前用Dummy做了个简单的AI视觉抓取demo，从模型训练到部署只花了2个小时。 在这里便用到了双目视觉算法、AHRS系统和力传感系统，稚晖君通过双目识别算法让AI实现姿态估计类似操作。 经过一系列的组装，最后的效果就是这样，精度也十分令人满意！ 还有网友说：「光AI视觉这块就搞了大半年，更不要提造机器人了。」 稚晖君的Dummy机械臂未来还会添加哪些炫酷的功能，Dummy青春（低成本）版又是否能量产呢？ 敬请期待稚晖君的下一条视频吧！
89630发布于 2021-11-23 - 来自专栏AI掘金志
万亿 AIoT，「AI 视觉」企业群雄逐鹿
在算法快速生产方面，旷视自研一站式算法生产平台AIS（AI Service）已经支持100多种业务模型训练，最快2小时即可完成模型训练，且模型产出精度指标远高于业界平均水平。 以何为立身之本？ 今年4月，2022旷视企业业务合作伙伴大会上，印奇抛出“AIoT= AI+IoT+空间”的等式。 为打好AIoT这场持久仗，旷世在7月进一步提出更具概括性的“2+1”技术科研体系。 “2”指“基础算法科研”和“规模算法量产”两大核心AI技术体系；“1”指以“计算摄影学”为核心的“算法定义硬件”IoT技术体系（包括AI传感器和AI机器人）。 在“城市大脑”是未来的主战场，“城市视觉”是发力点的共识下，紫光华智于2020年11月发布AI视觉中枢全栈解决方案。 新一代AI视觉中枢最大的特点，就是让感知海量数据的“大脑”更加智慧。
1.3K20编辑于 2022-11-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号