计算机视觉领域，最常用的算法有哪些？
计算机视觉领域一般不同的应用有着不同的算法实现，我主要研究的就是计算机视觉方面的应用，主要是在图像预处理、分类、目标检测等方面。1. 图像分类。图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。机器学习方面的算法有SVM、Adaboost、决策树以及贝叶斯分类器等；深度学习方面经典的算法有AlexNet、VGG、GoogleNet、ResNet等网络。
2. 目标检测。目标检测就是在复杂场景中检测出我们需要的目标，又用传统机器学习算法实现的，也有用深度学习进行目标检测的。传统机器学习算法比如利用Adaboost进行人脸检测、SVM算法实现行人检测等；深度学习方面目标检测算法，既有基于区域建议的R-CNN、Fast R-CNN、Faster R-CNN等两个阶段的目标检测算法，也有Yolo、SSD等端到端的目标检测算法。
3. 目标跟踪。目标跟踪，是指在特定场景跟踪某一个或多个特定感兴趣对象的过程。我之前做过目标跟踪的实验，利用的是传统的图像处理算法，比如光流法、粒子滤波法、卡尔曼滤波法以及KCF相关滤波算法等。深度学习算法中有DLT、FCNT、MD Net等网络，深度学习目标跟踪算法接触的少，不是很了解。4. 语义分割。
语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义的可解释性」即分类类别在真实世界中是有意义的，将整个图像分成一个个像素组，然后对其进行标记和分类。传统的图像分割算法有基于阈值的分割算法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等；现在深度学习算法在语义分割上效果更好，比如现在最常用的全卷机神经网络算法（FCN）。
还有好多应用，比如人脸检测识别，有Adaboost算法、MTCNN网络以及FaceNet网络等；文字识别，智能驾驶，医学图像处理等等，分别有不同的算法实现。计算机视觉编程语言的话需要根据算法以及平台来选择。传统图像处理大都用的是opencv和matlab平台，分别用C 语言和matlab语言；深度学习框架大都是基于Python的API实现的，可以用python语言实现，比如Tensorflow、Caffe、keras以及MxNet等平台，当然Caffe还可以用C 实现。
年薪30万只是中游水平，算法工程师是一种怎样的存在？
算法工程师一直以高薪著称，一般应届毕业生薪资都在20k/月以上。据最新数据显示，2019届硕士应届生的最高年薪已经达到50万，一线城市平均薪资大概在30万左右，二三线城市稍微低一些，但也远超其他专业。那么到底什么是算法工程师呢？它具体又包含哪些岗位呢？作为一名算法工程师，除了必须掌握计算机编程相关知识，熟练使用仿真工具MATLAB等，还必须了解业务背景，像人工智能算法工程师、交通算法工程师、图像处理算法工程师等都需要熟悉公司的业务，有一定业务学习能力。
一般互联网公司的算法工程师，主要涉及这几个领域：推荐算法和协通过滤算法，音频处理，图像处理，深度学习及AI算法，SLAM，VR，AR领域，传统的算法等。1、推荐算法和协通过滤算法，这类工程师主要是解决电商或者与转化率相关问题的工程师。这类工程师需要掌握的就是特征工程、主成分分析、统计学、贝叶斯概率、决策树（GBDT/XGBOOST）、逻辑回归、协同过滤等等围绕着转化概率相关的知识体系。
2、语音信号处理，比如回路噪声抑制什么的，一般用在语音聊天，语音识别的前端检测，像现在做智能音箱的这些公司，多少都需要做一些。3、图像处理，尤其是基于OpenCV的图像处理算法，一般产品里有做美颜，滤镜什么的特别喜欢招这块的人，近一两年有被做深度学习取代的趋势。google出了arcore，所以让不少小公司也能出一些效果很好的换头类应用。
4、SLAM，集中在机器人定位导航上，比如无人车，扫地机器人，这个方向已经很专了，一般需要有好的导师才能带你入门，国内这个方向的团队实验室来来回回就那么几个。5、VR，AR领域，涉及到的包括视频跟踪，SLAM，raytracing，几何投影等等，实际上是一个综合的领域，目前主要是做计算机视觉的转行做这块。
6、深度学习/AI算法工程师，这类工程师说到底要做的事情就是利用深度学习中的卷积网络（CNN）、循环神经网络（LSTM），甚至是深度强化学习（DRL）等新的技术来解决工作中的实际问题。但是方向仍然是前面说的推荐、音视频、自然语言等等。只不过用了深度学习技术以后，很多传统方法解决不了的问题就比较容易解决了，或者有更高的准确率。
mtcnn和yolov3和ssd等目标检测算法各有什么特点或优势？
MTCNN算法是多任务级联卷积神经网络，用于人脸检测和人脸对齐，它是一种级联结构，类似Adaboost算法，主要包括三个子网络：一个是P-Net网络，主要获得人脸区域的候选窗口和边界框的回归向量，并用该回归向量对候选窗口进行校准，然后通过非极大值抑制来合并高度重叠的候选框；第二个子网络是R-Net网络，也是只做检测和边界框回归两个任务；最后一个子网络是O-Net网络，对前面的候选框做进一步的筛选，回归边界框，同时在每个边界框上计算特征点的位置。
而且，MTCNN一种多尺度网络结构，在输入图像数据前，先构建图像金字塔，获得不同尺度的图像再送入P-Net网络。SSD算法是one-stage、端到端的目标检测算法，主要思路是在图片的不同位置进行密集采样，采用不同的尺度比和长宽比，利用卷积神经网络结构提取特征进行分类和回归，其优势是速度快。SSD提取不同尺度的特征图来做检测，前面的大尺度特征图用于检测小目标，后面的小尺度特征图用于检测大目标，采用VGG16作为基础模型。
yolo目标检测算法的基本思想是利用CNN对输入图像提取特征，将输入图像划分成S×S个单元格，如果某个物体的中心位置落入其中一个单元格，那么由该单元格负责检测这个目标。YOLO V3在之前yolo结构的基础上，采用多个尺度融合的方式做预测，加强对小目标检测的精确度。基础分类网络类似ResNet残差网络，分类任务用Logistic取代了softmax，并利用9种尺度的先验框，可以很好的检测大目标和小目标。
MTCNN是专门用于检测人脸的目标检测算法，而yolo和SSD算法是通用的目标检测算法。通用的目标检测算法还有另一种类型，就是two stage的网络模型，先利用一些算法产生候选区域，然后再对候选区域进行分类和回归，这类典型的算法有R-CNN算法、Fast R-CNN算法以及Faster R-CNN算法、FPN算法等。
文章TAG：算法 adaboost AdaBoost
