一、计算视觉的经典问题
Reconstruction——重建
Recognition——识别
(Re)organization——重组
Optical character recognition (OCR) 光学字符识别（OCR）
Technology to convert scanned docs to text 扫描文档转换为文本的技术Face detection 人脸检测
Smile detection 微笑检测
Object recognition (in supermarkets) 物体识别（超市）
Vision-based biometrics 基于视觉的生物特征识别
Login without a password 无密码登录
Object recognition (in mobile phones) 物体识别（在移动电话中）
3D from images 三维图像
Human shape capture 人形捕捉
Special effects: shape capture 特殊效果：形状捕捉
Interactive Games: Kinect 互动游戏：Kinect
Sports 体育运动
Medical imaging 医学影像学
AutoCars - Uber bought CMU’s lab 汽车制造商-Uber收购了CMU的实验室
Industrial robots 工业机器人
Vision in space 太空视野
Vision systems (JPL) used for several tasks 用于多个任务的视觉系统（JPL）Mobile robots 移动机器人
Augmented Reality and Virtual Reality 增强现实与虚拟现实
二、计算机视觉及邻近领域
计算机视觉的贬义总结：
机器学习在可视化数据中的应用。
图像处理、识别、深度学习、几何推理
机器学习、图形学、计算摄影、光学
机器人学、人机交互、医学影像学、神经科学
三、课程主题
1.解释强度
什么决定了像素的亮度和颜色？
如何使用图像过滤器从图像中提取有意义的信息？
2.对应和对齐
如何在物体或场景中找到对应的点？
我们如何估计它们之间的转换？
3.分组和分段
如何将像素分组成有意义的区域？
4.分类与目标识别
我们如何表现图像并对其进行分类？
我们如何识别物体的类别？
5.高级主题
动作识别，三维场景和上下文，人在环视觉
6.相关知识
线性代数、概率、图形课程、视觉/图像处理课程、机器学习
四、项目
Projects 1-5: Structured conceptual / code——结构化概念/代码
Project 6: Group challenge——团体挑战
Proj 1: Image Filtering and Hybrid Images——图像滤波和混合图像
实现图像滤波以分离高频和低频。
将来自不同图像的高频和低频合并以创建与比例相关的图像。
Proj 2: Local Feature Matching——局部特征匹配
实现兴趣点检测、类sift局部特征描述、简单匹配算法。
Proj 3: Scene Recognition with Bag of Words——文字袋场景识别
将局部特征量化为“词汇”，将图像描述为“视觉词汇”的直方图，训练分类器根据这些直方图识别场景。
Proj 3b: Object Detection with a Sliding Window——滑动窗口目标检测
训练一个基于正样本和“挖掘”硬底片的人脸检测器，在多个尺度上检测人脸并抑制重复检测。
Proj 4: Convolutional Neural Nets——卷积神经网络
Proj 5: Multi-view Geometry——多视图几何图形
从特征点匹配恢复相机校准。
计算机视觉中几乎所有测量的基础。
Proj 6: Group challenge——团体挑战
改进webgazer：一个基于web的实时眼睛跟踪器。
