从机器视觉到人工智能的思考

十年前，我们很多机器视觉工程师摇身一变，就成了算法工程师，这是一个过渡和跳板，最终是跟上未来，手握人工智能！

机器视觉和人工智能最大的差别，站在图像分析基础上看，除了反向梯度传播，没什么两样！

其实，所有的人工智能概念，机器视觉已经有了！

今天我们可以先列一个大纲，后头详细看他们的演变。

1，九宫格就是卷积核

2，光可以是黑白，也可以是rgb，这是机器视觉最擅长处理的，光也可以分成七彩虹，如果你再细分七彩色中任意个颜色，比如黄再分三种，颜色就变成21种，想说什么？一种颜色成像一种，同一个图像，可以有21种，cnn由1幅图像变成21种，我们可以把卷积核当作分色！

3，那么，哪一种图像才是重要的？如果是红旗的颜色，我们机器视觉中人为选择r图像即可，而ai怎么选？在21种里？当然靠反向传播梯度下降！这就脱离人为意识的作为！这个东西实在是太伟大！

4，九宫格标定板，我们如何匹配，我们前面使用了一种极其简单的方法，就是求梯度和，如果这个值，在一定范围内接近，我们认为就找到了，也即匹配上了，这里我们把这种数值确认等同最小二乘确认或者交叉熵确认，这就是说我们看到的九宫格在标定板上匹配到意识的确认和数值，最小二乘，交叉熵没什么区别！

surf算法中积分和（图）与盒式（box）滤波器的关系（一，突发奇想验证）_积分图和箱式滤波器图的区别-CSDN博客

5，昨天和今天又看了看darknet神经网络架构，突然发现，1*1卷积的降维实际就是筛选有用的东西，你也可以说是感兴趣区域，注意力机制或者什么通道注意力机制！其实筛选就是丢弃（dropout），实际池化也是一种丢弃

6，我们在机器视觉形状匹配中使用了原始的3*3的高斯卷积，并且把图像尺度变小，保持高速匹配！这个在darknet中的体现是什么？就是stride=2，不用平均池化也不用最大池化，就是stride=2，取一个像素而已，像极了机器视觉的图像金字塔压缩图像！

7，机器视觉的形状匹配所有的丢弃完成后，就是一幅金字塔压缩轮廓图像，然后死板的寻找感兴趣区域，即匹配上，实际上神经网络也是完成这种丢弃，最后留下最有价值的东西，或者叫做特征，那么为什么神经网络要做反向传播的梯度下降，实际就是找到像我们人类用高斯金字塔压缩图像找到轮廓的相似方法，每一个像高斯卷积核一样的cnn找到了，那么神经网络的训练就完成了！

8，所以，darknet中在图像中找到位置的方法与机器视觉没什么两样！

9，而且，darknet神经网络架构最接近机器视觉思想高速，精度，稳定这三个目标！

10，我觉得darknet神经网络还应该会进化出更接近机器视觉匹配仅用cpu的形式

11，是不是我们可以把机器视觉中人类的结晶比如高斯卷积和拉普拉斯等常用的卷积核与神经网络自生成卷积核混合使用？

12，我们机器视觉最擅长黑白图像，开始是灰度黑白图，结果也是轮廓黑白图！这是什么意思？黑白其实是一种非常简单和高效的特征抽象，神经网络也应如此，256中卷积核生产的各种图像，最终回归到黑白抽象，最简单，最高效，这就是抛弃，就是1*1卷积核的中心思想！

也就是把复杂的数字世界最后做个0，1总结！这个也很契合我们黄帝内经的中医思想，一个很复杂的病，最后化简到阴和阳（0和1），这个实现一个是人脑一辈子学习达成的，一个是神经网络达成的！

13，其实就是丢弃，别把重要的丢了！结束！以前人们说天人合一，现在是人机合一！

14，其实，我觉的，反向传播的梯度下降是一个又笨又复杂的东西，能不能不用？关键的东西学一次就可以！烧脑般学习不符合最小能量生存法则！

15，其次，颜色传感器rgb已经远远不能满足人工智能！至少应该有21种颜色传感器用来训练人工智能！这样不必3-》32卷积了，毕竟3是有限的！

16，机器视觉识别匹配很妙的一招，无论如何，我们处理的都是图像！而神经网络不行，他为了保证一直是图像或者是语言做了非常多的努力，这是梯度下降反向传播带来的！

本来想写个提纲，意思到了，但不够抽象，丢弃的不够，没达到言简意赅！还需努力！

毕其一生，我们都在做，少不如多的升维的（充象）过程，其次，又在升华多不如少的降维（抽象）过程，实际上，机器视觉和人工智能都是这个意思！