计算机视觉专注于使机器能够解释视觉数据，其中几个核心领域构成了它的基础。最重要的主题包括图像分类、目标检测和分割。 图像分类涉及训练诸如 CNN（卷积神经网络）之类的模型，以将整个图像分类为预定义的类别（例如，识别照片中的猫与狗）。 目标检测在此基础上构建，使用 YOLO（You Only Look Once）或 Faster R-CNN 之类的架构来定位和分类图像中的多个目标。 分割更进一步，为图像中的每个像素贴标签，从而能够精确地理解目标边界 - 通常应用于医学成像或自动驾驶汽车中，用于诸如肿瘤检测或道路场景解析之类的任务。
另一个关键领域是 3D 计算机视觉，它处理深度估计、点云处理和 3D 重建。诸如立体视觉或基于 LiDAR 的方法之类的深度估计技术对于诸如机器人导航或增强现实之类的应用至关重要。 点云处理（通常使用诸如 PointNet 之类的算法）处理来自 3D 传感器的数据，以对环境或目标建模。 诸如 NeRF（神经辐射场）之类的技术通过从 2D 图像合成逼真的视图来推进 3D 场景重建。 这些方法对于诸如自动驾驶之类的行业至关重要，在这些行业中，理解 3D 空间对于避开障碍至关重要。
最后，视频分析和生成模型是关键主题。 视频分析将基于图像的任务扩展到时间数据，从而解决诸如目标跟踪（例如，使用 SORT 或 DeepSORT 算法）和动作识别（例如，对监控录像中的活动进行分类）之类的挑战。 诸如 GAN（生成对抗网络）和扩散模型之类的生成模型可实现诸如图像合成、样式迁移或数据增强之类的任务。 例如，Stable Diffusion 可以从文本提示生成逼真的图像，而 CycleGAN 可以转换域之间的图像（例如，将卫星照片转换为地图）。 这些工具广泛用于创意产业、合成数据生成以及增强其他视觉任务的训练数据集。 总之，这些主题构成了现代计算机视觉系统的骨干。