CV（Computer Vision，计算机视觉）是AI的两大重要应用之一（另一个是NLP，Natural Language Processing），具体有哪些任务，有哪些技术和模型呢？在本文中先简要介绍这些任务，每种任务使用的具体的技术和模型，以及其相互之间的对比，放在后续文章中介绍，敬请期待。

在题目中也提到了，CV类任务大概有这些分类：分类、检测、分割、关键点识别、图像生成、度量学习。这些任务的共同之处是输入都是图片，而输出就和具体的任务相关了。

分类任务（Clarification）很好理解，就是对输入图片进行分类（具体可选类别需要事先确定）。分类任务是其他CV任务的基础。例如下图输入一张猫的图片，网络输出这张图片是猫的概率。

检测任务（Detection）是检测出图片中的物体位置，一般需要进行画框。比如下图中把人、羊，还有狗都框出来了，具体来说，网络需要输出框的坐标。

分割任务（Segmentation）是在检测任务的基础上把框精细化，具体到每个像素的分类。在上图的检测任务中，矩形框还是比较粗糙的，并不知道每个像素具体属于哪个物体。下图中语义分割任务输出的绿色像素是背景，蓝色像素属于羊，红色像素是狗，还有一个颜色的像素属于人。当然，可以再精细一些，比如不同的羊的像素点用不同的颜色标记出来，那就是实例分割。

超分任务（Super Resolution, SR）是超分辨率的简称，简单地说就是增加图片的分辨率。例如下图中左边的图片输入到神经网络中，输出右边图片的分辨率提高，图片更清晰。

关键点识别（Key Point）任务是找出图片中的关键点，最常见的就是人体关键点检测，例如下图中的线就是由几个关键点连成的，可以用来判断人的姿态。

图像生成任务是指根据输入（可以是图片或者其他数据），生成目标图像。例如下图中的风格迁移，生成了一个新的图片，具有一张图片的轮廓和另一张图片的风格。图像生成任务也可以合成人脸、图像修复等等。

度量学习任务是要判断输入之间的距离到底多少，例如两个图片之间的距离，这时候欧氏距离肯定是不合适的，需要神经网络去学习如何度量。具体的应用如人脸识别，判断摄像头前的人是否和身份证一致。

这些就是CV领域的主要任务，后续再详细介绍每一种任务使用的算法和模型，敬请期待~