1 简述CV技术的应用现状
CV（计算机视觉）技术目前已广泛落地多领域，应用现状可简化为以下几点：
- 工业领域：2D 视觉成流水线质检标配，3D 视觉用于高精度检测；视觉引导机械臂推动自动化升级。
- 医疗领域：影像分析缩短诊断时间、辅助病灶检出，术中视觉导航提升手术安全性。
- 交通领域：支撑自动驾驶环境感知，路侧视觉设备监测交通状况，同时识别驾驶员危险行为。
- 安防与消费电子：人脸识别、车牌识别是安防监控标配；赋能手机美颜、智能门锁、OCR 文字提取等消费端功能。
- 前沿探索：图像视频生成技术降低影视广告制作成本，空间计算技术为 AR/VR 场景奠定基础，商业化仍在探索。
2 简述CNN模型识别图像中对象的流程
CNN（卷积神经网络）识别图像中对象的核心流程可概括为特征提取→特征整合→分类输出三步，具体如下：
- 输入预处理将原始图像转化为 CNN 可处理的张量格式，统一尺寸并归一化像素值（如缩放到 0-1 区间），消除不同图像尺寸、亮度差异的干扰。
- 卷积层提取局部特征通过多个卷积核在图像上滑动，计算局部区域的像素加权和，生成特征图。这一步可捕捉边缘、纹理、颜色等基础特征，深层卷积层还能组合浅层特征，形成更复杂的目标部件（如物体的轮廓、局部形状）。
- 池化层压缩特征维度对卷积层输出的特征图进行下采样（常用最大池化、平均池化），保留关键特征的同时减少参数数量和计算量，提升模型的泛化能力。
- 全连接层整合与分类将经过多轮卷积 + 池化后的特征图展平为一维向量，输入全连接层。全连接层负责整合全局特征，通过权重矩阵映射到目标类别空间，最后经 Softmax 等激活函数输出各类别的概率值。
- 输出与判定选取概率值最高的类别，作为图像中对象的识别结果。
