近日，DeepSeek发布了
视觉多模态模型DeepSeek-VL2
。该模型在视觉能力上进行了显著升级，采用了MoE（Mixture of Expert）架构和动态切图策略，支持动态分辨率图像处理。
对于计算机视觉相关行业来说，DeepSeek-VL2是一次重大技术突破，它能够快速定位关键事件并生成相应的文本描述，而且DeepSeek通过工程优化和硬件调度策略，还大幅降低了运行成本。
这意味着计算机视觉应用也将在DeepSeek的加持下迎来爆发，技术人要如何抓住这一波大好机会呢？
答案就在
《动手学计算机视觉》
这本书中！本书专注于计算机视觉技术领域，将算法原理与实践相结合，以大量示例和代码带领读者走进计算机视觉的世界，让读者认识计算机视觉的研究内容、基本原理，并能够在工作中应用所学知识。
这本书由上海交大ACM班创办人俞勇教授团队编写，这支团队汇集了多位顶尖学者，他们将自己的教学体会与研究经验都融入此书。所以没基础的读者也不用担心，这本书可以帮助初学者轻松入门，掌握计算机视觉关键知识，玩转DeepSeek-VL2这样的视觉模型。
现在，我们就跟着交大ACM班的大咖们来学习计算机视觉。
计算机视觉技术
，就是通过算法从图像和视频中分析出真实世界的属性。然而，初学者在学习计算机视觉的过程中，往往面临两个方面的挑战。
●
第一，计算机视觉涵盖的领域知识广泛，包括图像处理、模式识别、几何重建和深度学习等。庞大的知识体系会令初学者无所适从，难以从整体上把握计算机视觉技术。
●
第二，计算机视觉对工程实现要求高，即相关原理和算法都学会了，但动手去编程实现时却得不到期望中的结果。
《动手学计算机视觉》针对这两项挑战给出了高效的学习方案。
对于第一个挑战，作者参考计算机视觉大师Richard Szeliski教授的著作之后，将书中内容分为4个部分：
计算机视觉导论、图像处理、视觉识别和场景重建
。前两部分是后两部分的基础，后两部分代表了两类计算机视觉任务。通过这4个部分的划分与联系，几乎涵盖了计算机视觉的所有内容。
对于第二个挑战，本书以
Python Notebook的形式
直接编写，将算法原理和可运行的代码融合呈现。读者可以快速上手实现计算机视觉算法，学完算法原理就能立即动手实验，形成学练结合的良好互动。
另外，本书还为读者精心准备了多项配套资源，满足读者不同层次的学习需求，这些资源的获取方式在书中都可以找到。书中所有源码已在GitHub上公开，每份示例代码中都包含可以由读者自行设置的变量，方便读者进行修改并观察相应结果。
丰富的配套课件，方便教师用来授课。
作者团队还录制了视频课程，帮助读者轻松突破疑难点。
来自交大ACM班的创作团队在俞勇教授的带领下，在AI领域出版了多部技术专著，助力千百万技术人入行并在科研与应用方面取得骄人的成就。我们来认识一下编著本书的学术大咖们。
上海交通大学教授，博士生导师，上海交通大学人工智能(卓越人才试点班)计算机视觉课程授课教师，国家自然科学基金优秀青年科学基金获得者，多次担任计算机视觉相关国际会议的领域主席，研究领域包括计算机视觉、模式识别与深度学习以及这些技术在医学辅助诊断等场景中的应用。
上海交通大学人工智能研究院博士生，研究方向为大模型的高效训练，并在AAAI、KDD、ECCV和TKDE等顶级会议或期刊上发表过多篇高水平论文。
上海交通大学人工智能研究院博士生，获得MICCAI 2023青年科学家奖，研究方向为复杂场景下的三维与四维重建，并在TOG、CVPR、ICCV和TMI等顶级会议或期刊上发表过多篇高水平论文。
享受国务院特殊津贴专家，首批“国家高层次人才特殊支持计划”教学名师，上海交通大学特聘教授，上海交通大学ACM班创始人，APEX数据与知识管理实验室主任。曾获得“全国模范教师”“全国师德标兵”“CCF杰出教育奖”“上海市五一劳动奖章”和“上海交通大学校长奖”等荣誉。
俞教授2018年创办了伯禹人工智能学院，在上海交通大学ACM班人工智能专业课程体系的基础上，对人工智能课程体系进行创新，致力于培养卓越的人工智能算法工程师和研究员。
翻开书，我们循序渐进地吃透计算机视觉吧。
本书在结构编排上充分考虑了初学者，从基础知识起步，然后讲解图像处理技术，再到对图像内容的语义理解，以及对图像中场景的几何结构进行重建。读者按照顺序阅读学习，就能由浅入深掌握计算机视觉的理论与应用方法。
从阐释计算机视觉入手，让读者明晰概念。接着探讨计算机视觉广阔的应用场景，揭示其在当今数字化时代的重要性。同时剖析计算机视觉面临的难点与挑战，展现该领域发展的阻碍与突破方向。
梳理计算机视觉的历史与发展脉络，帮助读者建立全面认知，还介绍了计算机视觉中变量的数学符号约定，为后续深入学习奠定基础。
本部分涵盖了丰富的经典图像处理算法，像卷积操作，它是图像处理的核心运算，通过讲解一维卷积和二维卷积的相关知识，让读者理解信号在图像中的处理方式。图像滤波则针对图像噪声问题，介绍了均值滤波、高斯滤波、双边滤波、中值滤波等多种方法，有效去除椒盐噪声、高斯噪声等，提升图像质量。
此外，模板匹配用于在图像中寻找特定目标，边缘检测和角点检测能提取图像的关键特征，SIFT特征检测更是能获取稳定的特征点，图像拼接可将多幅图像合成为一幅全景图像，图像分割则把图像划分成不同区域，这些算法共同构成了图像处理的技术体系。
本部分聚焦于对图像语义内容的理解，主要围绕基于深度学习的方法展开。在图像分类任务中，介绍了从传统的视觉词袋模型到先进的深度卷积网络算法。语义分割通过全卷积网络（FCN），借助上采样和跳跃连接技术，实现对图像每个像素的分类。
目标检测包含R - CNN、Fast R - CNN、Faster R - CNN等经典模型，能够精准定位并识别图像中的目标物体。实例分割的Mask R - CNN算法结合了目标检测和语义分割的优势，人体姿态估计的DeepPose模型基于深度神经网络和级联回归实现对人体姿态的预测，动作识别的C3D模型利用三维卷积处理视频数据，识别其中的动作。
本部分详细讲解了照相机标定，通过标定板和特定流程获取相机内外参数和投影矩阵。运动场和光流分析物体的运动情况，如Lucas - Kanade光流法及其改进算法。平行双目视觉基于双目相机的视差原理进行特征匹配和全局优化，实现深度感知。
三维重建则利用对极几何中的本质矩阵、基础矩阵，通过八点法求解相关矩阵，结合三角测量完成场景的三维重建，在虚拟现实、机器人导航、文物数字化等领域发挥关键作用。
在学习的过程中，读者们一定要积极动手操作，将理论与实践充分结合，这样才能透彻掌握计算机视觉原理，做到应用创新。
《动手学计算机视觉》知识体系全面系统，理论与实践深度融合，突出实用性与案例教学，更有丰富的配套资源，为初学者提供了极其友好的阅读学习体验。而本书是交大ACM班作者团队创作的
“动手学”系列
的新近一本，该系列还有更多人工智能领域的优秀著作。
对于已初步踏入计算机视觉领域的读者，若期望进一步提升知识水平、拓展知识边界，无论是
深度学习、机器学习
，还是
数据结构与算法、自然语言处理、强化学习
等内容，都能在 “动手学” 系列中展开深入学习。
本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，新增注意力机制、预训练等内容，阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具。
本书系统介绍了机器学习的基本内容及其代码实现，将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识。
本书系统介绍了数据结构与算法的基本概念和相关知识，既注重理论，又注重算法设计，更突出代码实现，手把手指导读者学习数据结构与算法，帮助读者轻松掌握数据结构与算法的基本知识及基本技能。
本书介绍自然语言处理的原理和方法及其代码实现，还介绍自然语言的序列建模，包括语言模型、序列到序列模型、预训练语言模型、序列标注，提供所介绍方法的代码示例，帮助读者掌握理论知识并进行动手实践。
本书系统地介绍了强化学习的原理和实现，讨论深度强化学习的思维方式、深度价值函数和深度策略学习方法，介绍学术界在深度强化学习领域的主要关注方向和前沿算法。
“动手学”系列图书涵盖了AI领域主流的技术方向
，理论结合实践，提供了大量的实验案例。对于高校师生，“动手学”图书可以作为配套教材使用；对于科研人员，则可以重点关注理论方面的论述与创新；对于算法与开发工程师，可以注重学习代码实例，结合工作实际自如运用。
“纸上得来终觉浅，绝知此事要躬行”
，这便是 “动手学” 的核心要义。深度钻研 “动手学” 系列，将理论与实践深度融合，逐步积累实操经验，你将成功蜕变，成长为新一代的 AI 实战高手，在人工智能领域纵横驰骋！
