人工智能到底属自动化 还是计算机专业,人工智能有哪些专业,前景如何
人工智能专业包括哪些专业？人工智能专业相关研究方向有很多分支学科，包含模式识别与智能系统、计算机应用技术、智能科学与技术、信息与通信工程、计算机科学与技术、控制科学与工程、人工智能与信息处理、计算机应用技术、生物信息处理方向、计算机科学与技术超级计算方向等。
接下来小编就介绍几个常见人工智能专业方向：
一、机器人工程专业
机器人工程近几年新兴的专业，是一门在真实世界环境下将感知、决策计算和执行驱动组合在一起的应用交叉学科和技术。2016年在大学里首次设立是教育部重点扶持的专业之一，如今也已经成为了热门专业，该专业主要是为了培养具备工业机器人技术及创新能力的专业人才。
二、智能科学与技术专业
智能科学与技术专业在硬件基础上，给机器人赋予一个类似人的大脑，神经传导及信息处理系统，简单说来就是学习如何控制机器人，学科的设立也是为了适应社会对从事智能化产品研发人员迫切需求的现状。
三、计算机科学与技术专业
计算机科学与技术专业专业主要是为了培养具有良好的科学素养，系统的、全面的掌握包括计算机硬件、软件与应用的基本理论和基本知识的人才。与人工智能学习也有交叉部分，毕业后就业相对容易。
四、模式识别与智能系统专业
模式识别是一个新兴的交叉学科，是自动控制、模式识别、人工智能、模糊逻辑、仿生学和计算机科学与技术等多个学科融合的产物。该专业是一门理论与实际紧密结合，具有广泛应用价值的学科，对于人工智能是起到至关重要的作用的。
五、自动化专业该专业
能够使机器、设备和仪器能全部按照规定的要求和既定的程序进行生产的一门专业。自动化专业对于人工智能是属于基础学科，涉及面是比较广。无论是哪一个专业，本科对于人工智能的接触都是比较表面，如果真的想要从事与人工智能相关专业的话还是必须要读研的，而且一定要重视本科中数学的学习，另外人工智能常常对嵌入式要求比较高，因此要注意以下这方面的课程。
人工智能是一门新兴的高尖端学科，属于社会科学与自然科学的交叉学科，涉及了数学、心理学、神经生理学、信息论、计算机科学、哲学和认知科学、不定性论以及控制论。研究的范畴包含自然语言的处理、机器算法的学习、神经网络、模式识别、智能搜索。应用的领域包含机器翻译、语言和图像理解、自动程序设计、专家系统等。选择学习人工智能相关的专业，未来的发展前景比较好。
责任编辑：YYX
人工智能导论(8)——计算机视觉(Computer Vision)
文章目录一、概述二、重点内容三、思维导图四、重点知识笔记计算机视觉的主要流程主要计算机视觉技术图像分类(imageclassification)目标定位(objectlocalization)（单个目标）目标检测(objectdetection)（多个目标）目标跟踪（ObjectTracking）图像分割(ImageSegmentation)图像生成(ImageGeneration)人脸识别(FaceRecognition)一、概述计算机视觉是智能感知的最重要技术。
为方便记忆和回顾，根据个人学习，总结人工智能基础知识和思维导图形成系列。
二、重点内容计算机视觉简介主要计算机视觉技术三、思维导图四、重点知识笔记计算机视觉的主要流程人的大脑皮层，有差不多70%都是在处理视觉信息，是人类获取信息最主要的渠道。计算机视觉（ComputerVision，CV）是研究如何让计算机能够像人类那样“看”的技术。
机器视觉是面向应用的计算机视觉系统的设计与实现技术。机器视觉更偏重于产品生产、自动化等行业和工程应用
其基本过程为：
主要计算机视觉技术目前计算机视觉主要应用在人脸识别、图像识别方面（包括静态、动态两类信息）。
图像分类(imageclassification)目标定位(objectlocalization)目标检测(objectdetection)（多个目标）目标跟踪(ObjectTracking)图像分割(ImageSegmentation)图像生成(ImageGeneration)人脸识别(FaceRecognition)图像分类：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。目标定位：解决“在哪里？”的问题，即定位出这个目标的的位置。目标检测：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。用方框标记。目标分割：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。类似于抠图。图片来自斯坦福CS224d课程
图像分类(imageclassification)图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。也就是说给定一张输入图像，图像分类可以判断该图像中物体所属类别，即是否有猫，是否有狗。
图像分类根据不同分类标准可以划分为很多种子方向。比如根据类别标签，可以划分为：
二分类问题，比如判断图片中是否包含人脸；多分类问题，比如鸟类识别；多标签分类，每个类别都包含多种属性的标签，比如对于服饰分类，可以加上衣服颜色、纹理、袖长等标签。通用分类，比如简单划分为鸟类、车、猫、狗等类别；细粒度分类，目前图像分类比较热门的领域，比如鸟类、花卉、猫狗等类别，它们的一些更精细的类别之间非常相似，而同个类别则可能由于遮挡、角度、光照等原因就不易分辨。目前较为流行的图像分类架构是卷积神经网络（CNN）——将图像送入网络，然后网络对图像数据进行分类。
目标定位(objectlocalization)（单个目标）在图像分类的基础上，我们还想知道图像中的目标具体在图像的什么位置。
基本思路多任务学习，网络带有两个输出分支。
一个分支用于做图像分类，和单纯图像分类区别在于还另外需要一个“背景”类。另一个分支用于判断目标位置，用方框标记。其基本思路是从卷积结果中找到一些较高响应的显著性区域，认为这个区域有对应图像中的目标。
目标检测(objectdetection)（多个目标）应用对象定位和特征点检测可以构建对象检测算法。通常可以对多个目标同时进行检测。
对象检测即识别图像中的对象，常包含两方面的工作
首先是找到目标然后就是识别目标。近年来，主要的目标检测算法已经转向更快、更高效的检测方法。主要有：
FasterR-CNN基于区域的全卷积网络（R-FCN）算法YouOnlyLookOnce(YOLO)SingleShotMultiBoxDetector(SSD)目标跟踪（ObjectTracking）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。也就是通过动态视频和真实世界的交互，在检测到初始对象之后进行观察。比如无人驾驶领域的目标跟踪。
根据观察模型，目标跟踪算法可分成2类：生成算法和判别算法。
生成算法使用生成模型来描述表观特征，并将重建误差最小化来搜索目标，如主成分分析算法（PCA）；判别算法用来区分物体和背景，其性能更稳健，并逐渐成为跟踪对象的主要手段（判别算法也成为Tracking-by-Detection，深度学习也属于这一范畴）图像分割(ImageSegmentation)图像分割是基于图像检测的，它需要检测到目标物体，然后把物体分割出来。
图像分割可以分为三种：
普通分割：将不同分属于不同物体的像素区域分开，比如前景区域和后景区域的分割；语义分割：普通分割的基础上，在像素级别上的分类，属于同一类的像素都要被归为一类，比如分割出不同类别的物体；实例分割：语义分割的基础上，分割出每个实例物体，比如对图片中的多只狗都分割出来，识别出来它们是不同的个体，不仅仅是属于哪个类别。典型算法：
U-Net，2015DeepLab，2016FCN，2016语义分割(semanticsegmentation)
语义分割是目标检测更进阶的任务，目标检测只需要框出每个目标的包围盒，语义分割需要进一步判断图像中哪些像素属于哪个目标，相当于达到“抠图”的目的。
基本思路目标检测+语义分割。
先用目标检测方法将图像中的不同实例框出，再用语义分割方法在不同包围盒内进行逐像素标记。
MaskR-CNN用FPN进行目标检测，并通过添加额外分支进行语义分割(额外分割分支和原检测分支不共享参数)，即MaskR-CNN有三个输出分支(分类、坐标回归、和分割)。
图像生成(ImageGeneration)图像生成是根据一张图片生成修改部分区域的图片或者是全新的图片的任务。这个应用最近几年快速发展，主要原因也是由于GANs是最近几年非常热门的研究方向，而图像生成就是GANs的一大应用。
人脸识别(FaceRecognition)人脸识别的过程中有4个关键的步骤：
人脸检测：寻找图片中人脸的位置。标记并分割出来。人脸对齐：将不同角度的人脸图像对齐成同一种标准的形状。通过几何变换（仿射、旋转、缩放），使各个特征点对齐（将眼睛、嘴等部位移到相同位置）人脸编码：人脸图像的像素值会被转换成紧凑且可判别的特征向量。理想情况下，同一个主体的所有人脸都应该映射到相似的特征向量。人脸匹配：在人脸匹配构建模块中，两个特征向量会进行比较，从而得到一个相似度分数，该分数给出了两者属于同一个主体的可能性。这应该是计算机视觉方面最热门也是发展最成熟的应用，而且已经比较广泛的应用在各种安全、身份认证等，比如人脸支付、人脸解锁。
个人总结，部分内容进行了简单的处理和归纳，如有谬误，希望大家指出，持续修订更新中。
修订历史版本见：https://github.com/hustlei/AI_Learning_MindMap