電腦視覺（Computer Vision）

電腦視覺是什麼？

電腦視覺是讓電腦能夠「看懂」世界的技術，如同人類透過眼睛和大脑理解周遭環境。它不僅僅是處理圖像，更重要的是讓電腦能夠從圖像或影片中提取有意義的資訊，例如識別物體、判斷距離、理解場景等。電腦視覺的目標是模仿人類視覺系統的功能，使機器能夠自動地感知和理解視覺資訊，並做出相應的反應。

電腦視覺的核心原理

電腦視覺的運作機制可以簡化為以下幾個步驟：

1. 圖像獲取： 使用攝影機、掃描器等設備獲取數位圖像或影片。
2. 圖像預處理： 對圖像進行降噪、增強對比度、調整大小等處理，以提高後續分析的準確性。
3. 特徵提取： 從圖像中提取有用的特徵，例如邊緣、角點、紋理等。常用的特徵提取方法包括 SIFT、HOG、SURF 等。
4. 物件檢測與識別： 使用機器學習演算法，例如卷積神經網路（CNN），來檢測和識別圖像中的物件。常見的物件檢測模型包括 YOLO、SSD、Faster R-CNN 等。
5. 場景理解： 分析圖像中的物件及其關係，以理解整個場景的含義。例如，判斷圖像中的人物在做什麼、場景是什麼等。

以下是一個簡化的物件檢測流程圖：

graph LR
A[圖像輸入] --> B(圖像預處理)
B --> C(特徵提取)
C --> D{物件檢測模型}
D --> E[輸出：物件位置和類別]

電腦視覺在實務中的應用

1. 自動駕駛： 電腦視覺是自動駕駛汽車的核心技術之一。它用於識別交通標誌、行人、車輛等，幫助汽車做出正確的駕駛決策。例如，特斯拉（Tesla）的 Autopilot 系統就大量使用了電腦視覺技術。
2. 醫療影像分析： 電腦視覺可以輔助醫生進行疾病診斷。例如，通過分析 X 光片、CT 掃描、MRI 影像等，可以檢測腫瘤、骨折等病灶，提高診斷的準確性和效率。研究顯示，使用電腦視覺輔助診斷的乳腺癌檢測，可以將假陰性率降低 10%-15%。
3. 智慧零售： 電腦視覺可以用於追蹤顧客在商店中的行為，例如顧客的移動軌跡、購物偏好等，從而優化商品陳列、提升顧客體驗。例如，Amazon Go 無人商店就使用了大量的電腦視覺技術來實現自動結帳。
4. 工業檢測： 在製造業中，電腦視覺可以用於檢測產品的缺陷，例如表面瑕疵、尺寸偏差等，提高產品的品質和生產效率。例如，在半導體製造過程中，電腦視覺可以檢測晶片的微小缺陷，確保產品的可靠性。

電腦視覺在 iPAS 考試中的重點

在 iPAS 初級 AI 基礎概論（L11402）考試中，電腦視覺相關的考點主要集中在以下幾個方面：

• 基本概念： 電腦視覺的定義、目標、應用場景等。
• 常用技術： 圖像處理、特徵提取、物件檢測、圖像分割等。
• 經典演算法： 卷積神經網路（CNN）、YOLO、SSD、Faster R-CNN 等。
• 應用案例： 自動駕駛、醫療影像分析、智慧零售等。

考試中常見的出題方式包括：選擇題、判斷題、簡答題等。考生需要理解電腦視覺的基本原理和應用，並能夠辨識相關的演算法和模型。

常見問題

電腦視覺和相近概念有何差異？

概念	描述
電腦視覺	旨在使電腦能夠像人類一樣「看」並理解圖像和影片，從中提取有用的資訊。
圖像處理	側重於對圖像進行增強、修復、壓縮等操作，以改善圖像的質量或方便後續分析。圖像處理是電腦視覺的基礎，但電腦視覺更注重於理解圖像的內容。
機器學習	是一種通用的演算法框架，用於從數據中學習模式和建立模型。電腦視覺可以使用機器學習演算法來實現物件檢測、圖像分類等功能，但機器學習的應用範圍更廣泛，不限於視覺領域。

學習電腦視覺最容易踩的坑是什麼？

初學者容易將電腦視覺等同於單純的圖像處理，忽略了電腦視覺更深層次的目標是讓機器理解圖像的語義資訊。另一個常見的誤解是認為電腦視覺只需要使用現成的模型和工具包，而忽略了對基本原理和演算法的理解。

考試中如何快速辨認電腦視覺的考題？

考試中，如果題目涉及到圖像、影片、物件檢測、圖像識別、場景理解等關鍵字，很可能就是電腦視覺相關的考題。此外，如果題目涉及到卷積神經網路（CNN）、YOLO、SSD 等演算法，也應該立即判斷為電腦視覺領域的考題。