一般计算机视觉领域不同的应用有不同的算法。我的主要研究是计算机视觉的应用，主要在图像预处理、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来区分不同类型的图像，是计算机视觉中一个重要的基础问题，也是图像检测、图像分割、目标跟踪和行为分析等其他高级视觉任务的基础。机器学习的算法包括svm、adaboost、决策树和贝叶斯分类器。深度学习中的经典算法有alexnet、vgg、googlenet、resnet等网络。
2.目标探测。目标检测就是在复杂的场景中检测出我们需要的目标，这是通过传统的机器学习算法来实现的，也可以通过深度学习来实现。传统的机器学习算法，如使用adaboost的人脸检测，使用svm算法的行人检测等。在深度学习方面，有基于区域建议的两阶段目标检测算法，如r-cnn、fastr-cnn、fastr-cnn，还有端到端的目标检测算法，如yolo、ssd等。
3.目标追踪。目标跟踪是指在特定场景中跟踪一个或多个感兴趣的特定对象的过程。我以前做过目标跟踪的实验，使用传统的图像处理算法，如光流法、粒子滤波法、卡尔曼滤波法和kcf相关滤波算法。深度学习算法中有dlt、fcnt、md网等网络，但深度学习目标跟踪算法接触很少，不太了解。
4.语义分割。语义分割是计算机视觉中的一项基本任务。在语义分割中，我们需要将视觉输入分成不同的语义可解释类别。"语义可解释性和可解释性意味着分类类别在现实世界中是有意义的。将整幅图像分成像素组，然后对其进行标记和分类。传统的图像分割算法包括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和基于特定理论的分割方法。现在，深度学习算法在语义分割方面更有效，例如最常用的全缠绕神经网络算法(fcn)。
有很多应用，比如人脸检测识别，adaboost算法，mtcnn网络，facenet网络。字符识别、智能驾驶、医学图像处理等。，有不同的算法。
计算机视觉编程语言需要根据算法和平台来选择。传统的图像处理多使用opencv和matlab平台，分别使用c语言和matlab语言；深度学习框架多基于pythonapi实现，可以用python语言实现，如tensorflow、caffe、keras、mxnet等平台。当然，caffe也可以用c实现。
现在我用c语言实现传统的图像处理算法，深度学习算法在t
1.按照有序和无序划分:
有序:列表元组字符串
无序:词典收藏
2.根据变量不可变的划分:
变量:列表字典集合
不可变:元组字符串
列出清单
以[1，2，3，aaa]放在一对方括号[]中，相邻的元素用逗号分隔。在python中，同一列表中元素的数据类型可以不同，包括基本的元素类型，如整数、实数、字符串、列表、元组、字典、集合、函数和任何其他对象。
列表是包含几个元素的有序且连续的内存空间。当列表添加或删除元素时，列表对象会自动扩展或收缩内存，从而确保相邻元素之间没有间隙。
在非尾部位置插入或删除元素会改变列表中该位置之后的元素的索引，这可能会导致某些操作出现意外的错误结果。
除非真的有必要，否则应该尝试在列表末尾添加和删除元素。
