有很多应用，比如人脸检测识别，Adaboost算法，文本识别比如MTCNN网络和FaceNet网络，智能驾驶，医学图像处理等。，由不同的算法实现。传统的机器学习算法，如人脸检测使用Adaboost SVM算法实现行人检测等深度学习目标检测算法，包括基于区域建议的两阶段目标检测算法如R-CNNFastR-CNNFastR-CNN，端到端的目标检测算法如YoloSSD。
计算机视觉AI的算法有哪些，具体都有哪些特点？
计算机视觉领域一般不同的应用有着不同的算法实现，我主要研究的就是计算机视觉方面的应用，主要是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将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测图像分割物体跟踪行为分析等其他高层视觉任务的基础。机器学习方面的算法有SVMAdaboost决策树以及贝叶斯分类器等深度学习方面经典的算法有AlexNetVGGGoogleNetResNet等网络。
2. 目标检测。目标检测就是在复杂场景中检测出我们需要的目标，又用传统机器学习算法实现的，也有用深度学习进行目标检测的。传统机器学习算法比如利用Adaboost进行人脸检测SVM算法实现行人检测等深度学习方面目标检测算法，既有基于区域建议的R-CNNFast R-CNNFaster R-CNN等两个阶段的目标检测算法，也有YoloSSD等端到端的目标检测算法。
3. 目标跟踪。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。我之前做过目标跟踪的实验，利用的是传统的图像处理算法，比如光流法粒子滤波法卡尔曼滤波法以及KCF相关滤波算法等。深度学习算法中有DLTFCNTMD Net等网络，深度学习目标跟踪算法接触的少，不是很了解。4. 语义分割。
语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，语义的可解释性即分类类别在真实世界中是有意义的，将整个图像分成一个个像素组，然后对其进行标记和分类。传统的图像分割算法有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以及基于特定理论的分割方法等现在深度学习算法在语义分割上效果更好，比如现在最常用的全卷机神经网络算法FCN。
还有好多应用，比如人脸检测识别，有Adaboost算法MTCNN网络以及FaceNet网络等文字识别，智能驾驶，医学图像处理等等，分别有不同的算法实现。计算机视觉编程语言的话需要根据算法以及平台来选择。传统图像处理大都用的是opencv和matlab平台，分别用C 语言和matlab语言深度学习框架大都是基于Python的API实现的，可以用python语言实现，比如TensorflowCaffekeras以及MxNet等平台，当然Caffe还可以用C 实现。
机器学习初学者需要了解的基本算法有哪些？
你应该使用哪种机器学习算法？这在很大程度上依赖于可用数据的性质和数量以及每一个特定用例中你的训练目标。不要使用最复杂的算法，除非其结果值得付出昂贵的开销和资源。这里给出了一些最常见的算法，按使用简单程度排序。1. 决策树Decision Tree在进行逐步应答过程中，典型的决策树分析会使用分层变量或决策节点，例如，可将一个给定用户分类成信用可靠或不可靠。
优点擅长对人地点事物的一系列不同特征品质特性进行评估场景举例基于规则的信用评估赛马结果预测2. 支持向量机Support Vector Machine基于超平面hyperplane，支持向量机可以对数据群进行分类。优点支持向量机擅长在变量 X 与其它变量之间进行二元分类操作，无论其关系是否是线性的场景举例新闻分类手写识别。
3.回归回归回归可以勾勒出因变量与一个或多个因变量之间的状态关系。在本例中，垃圾邮件与非垃圾邮件是有区别的。优势回归可以用来识别变量之间的连续关系，即使这种关系不是很明显。道路交通流量分析邮件过滤等场景4。朴素贝叶斯分类朴素贝叶斯分类器用于计算可能条件的分支概率。
