计算机视觉中使用的 AI 学习技术类型

机器学习是一种人工智能 (AI)，能够让计算机从数据中学习并自主做出决策，而不需要为每项任务编写详细程序。机器学习涉及创建能够识别数据模式的算法模型。通过识别和学习数据中的模式，这些算法能够随着时间推移逐步提升性能。

机器学习发挥关键作用的一个领域是计算机视觉，这是 AI 中专注于视觉数据的领域。计算机视觉利用机器学习帮助计算机检测并识别图像和视频中的模式。在机器学习进步的推动下，计算机视觉的全球市场价值预计到 2032 年将达到约 1757.2 亿美元。

本文将介绍计算机视觉中使用的不同机器学习类型，包括监督学习、无监督学习、强化学习和迁移学习，并说明它们各自如何应用于不同场景。

计算机视觉中的机器学习概述#

计算机视觉依赖机器学习，尤其是深度学习和神经网络等技术，来解读和分析视觉信息。这些方法使计算机能够执行计算机视觉任务，例如检测图像中的物体、按类别对图像进行分类以及识别人脸。机器学习对于实时计算机视觉应用也至关重要，例如制造业中的质量控制和医疗领域的医学成像。在这些场景中，神经网络帮助计算机解读复杂的视觉数据，例如分析脑部扫描以检测肿瘤。

事实上，许多先进的计算机视觉模型，例如 Ultralytics YOLO11，都构建在神经网络之上。

图 1. 使用 Ultralytics YOLO11 对脑部扫描进行分割。

机器学习中有多种学习方法，例如监督学习、无监督学习、强化学习和迁移学习，它们决定了计算机视觉的可能性。接下来的章节中，我们将逐一探讨这些方法，了解它们如何助力计算机视觉。

深入了解监督学习#

监督学习是最常用的机器学习类型。在监督学习中，模型使用带标签的数据进行训练。每个输入都标注了正确的输出，从而帮助模型学习。这就像学生向老师学习一样，带标签的数据充当了指引或监督者。

训练期间，模型会同时接收输入数据（需要处理的信息）和输出数据（正确答案）。这种设置有助于模型学习输入与输出之间的联系。监督学习的主要目标是让模型找到一条规则或模式，准确地将每个输入与其正确输出关联起来。借助这种映射，模型遇到新数据时就能做出准确预测。例如，计算机视觉中的人脸识别依赖监督学习，根据这些已学到的模式识别人脸。

一个常见的应用是通过人脸识别解锁智能手机。模型使用你的人脸带标签图像进行训练，这样你解锁手机时，它就会将实时图像与你的已学内容进行比较。如果检测到匹配，手机就会解锁。

图 2. 人脸识别可用于解锁智能手机。

AI 中的无监督学习如何运作？#

无监督学习是一种使用无标签数据的机器学习类型——训练过程中不会给模型任何指导或正确答案。相反，模型会自行发现模式和规律。

无监督学习主要通过三种方法识别模式：

• 聚类：将相似的数据点归为一组。它适用于客户细分等任务，可根据客户的行为或属性将相似客户分组。
• 关联分析：用于识别项目之间的关系，帮助发现数据中的联系（例如，在市场购物篮分析这一常见的数据挖掘技术中，找出经常被一起购买的商品）。
• 降维：通过移除冗余特征简化数据集，从而有助于可视化和处理。

无监督学习的一项重要应用是图像压缩，k-means 聚类等技术可以在不影响视觉质量的情况下缩小图像尺寸。像素会被分组成多个簇，每个簇由一种平均颜色表示，因此图像的颜色更少，文件也更小。

图 3. 无监督图像压缩示例。

不过，无监督学习也存在一些局限性。由于没有预先定义的答案，它在准确性和性能评估方面可能会遇到困难。通常需要人工解读结果并标注分组，而且它容易受到缺失值和噪声等问题的影响，从而降低结果质量。

强化学习详解#

与监督学习和无监督学习不同，强化学习不依赖训练数据。它使用神经网络智能体与环境交互，以实现特定目标。

这个过程包含三个主要组成部分：

• 智能体：学习者或决策者。
• 环境：智能体与之交互的一切，可以是真实环境，也可以是虚拟环境。
• 奖励信号：每次行动后给出的数值，用于引导智能体实现目标。

智能体采取行动时会影响环境，环境随后会给出反馈。反馈能帮助智能体评估自己的选择并调整行为。奖励信号则能帮助智能体了解哪些行动有助于实现目标。

强化学习对于自动驾驶和机器人技术等应用至关重要。在自动驾驶中，车辆控制、目标检测和避障等任务都通过反馈来学习。模型使用神经网络智能体进行训练，以检测行人或其他物体，并采取适当行动来避免碰撞。同样，在机器人技术中，强化学习也能实现物体操作和运动控制等任务。

OpenAI 的一个项目是强化学习应用的知名案例：研究人员训练 AI 智能体玩热门多人视频游戏 Dota 2。这些智能体使用神经网络处理来自游戏环境的大量信息，以快速做出策略性决策。通过持续反馈，智能体不断学习并逐渐进步，最终达到足以击败部分游戏顶尖玩家的水平。

图 4。人类与 AI 对 Dota Matrix 的解读。

了解迁移学习基础#

迁移学习不同于其他学习类型。它不会从头开始训练模型，而是采用一个在大型数据集上预训练的模型，并针对新的相关任务进行微调。初始训练中获得的知识可用于提升新任务的性能。根据任务的复杂程度，迁移学习可以缩短新任务的训练时间。它通过保留模型的初始层来捕捉通用特征，并将最终层替换为适用于新任务的层。

艺术风格迁移是迁移学习在计算机视觉中的一个有趣应用。这项技术可以让模型转换图像，使其呈现不同艺术作品的风格。为此，首先要使用一个包含图像及其艺术风格配对数据的大型数据集训练神经网络。在这一过程中，模型学会识别通用图像特征和风格模式。

模型训练完成后，可以通过微调，将特定画作的风格应用到新图像上。网络会在保留已学风格特征的同时适应新图像，从而生成兼具原始内容和所选艺术风格的独特结果。例如，你可以拍摄一张山脉照片，再应用爱德华·蒙克的《呐喊》的风格，生成一张保留原有景象、又融入画作大胆奔放风格的图像。

图 5. 使用迁移学习进行艺术风格迁移的示例。

比较不同机器学习类型#

介绍完机器学习的主要类型后，接下来深入比较每种类型，帮助你了解它们分别适用于哪些应用。

• 监督学习：使用带标签的数据时准确率很高，但需要大量数据，而且可能容易受到噪声影响。
• 无监督学习：适用于探索无标签数据并寻找隐藏模式，但结果可能不够精确，也更难解读。
• 强化学习：训练智能体在复杂环境中逐步做出决策，但通常需要大量计算资源。
• 迁移学习：利用预训练模型加快训练，并提升模型在新任务上的性能；数据有限时尤其有用。

图 6. 各种机器学习类型对比。图片由作者提供。

选择合适的机器学习类型取决于多个因素。如果你有充足的带标签数据和明确的任务，监督学习会很适合。无监督学习适用于数据探索或带标签样本稀少的情况。强化学习适合需要逐步决策的复杂任务，而数据有限或资源受限时，迁移学习则是不错的选择。考虑这些因素后，你就可以为自己的计算机视觉项目选择最合适的方法。

总结#

机器学习技术可以应对各种挑战，在计算机视觉等领域尤其如此。了解监督学习、无监督学习、强化学习和迁移学习等不同类型后，你就能根据需求选择最合适的方法。

监督学习适合需要高准确率且有带标签数据的任务；无监督学习则适合从无标签数据中寻找模式。强化学习适用于复杂的决策场景，而迁移学习适合在数据有限时基于预训练模型开展工作。

每种方法都有独特优势和应用场景，涵盖人脸识别、机器人技术和艺术风格迁移等领域。选择合适的类型，能够为医疗保健、汽车和娱乐等行业开辟新的可能性。

如需进一步探索，请访问我们的 GitHub 代码库，并加入我们的社区。你还可以在我们的解决方案页面上探索自动驾驶汽车和农业领域中的 AI 应用。