10.5.1 高级视觉路线图：OCR、人脸、视频、3D

高级视觉不是模型名称集合，而是建立在同一视觉基础上的应用方向：输入更复杂、输出更复杂、约束和风险也更多。

这些高级任务为什么要分开学

分类、检测、分割已经能处理很多图像问题，但真实视觉项目常常多出新的维度：文字、身份、时间和空间。高级视觉方向就是围绕这些新增维度拆出来的。

方向	从普通图像任务多了什么	为什么要单独处理
OCR	文字位置、字符序列、阅读顺序和版面结构	识别字只是一步，文档结构同样影响结果
人脸	身份、相似度阈值、隐私和误识风险	不只是检测脸，还涉及身份判断和合规
视频	时间、轨迹、事件过程	单帧正确不等于跨帧事件正确
3D	深度、点云、多视角几何	平面图像缺少真实空间距离和结构

所以这章的学习重点是：先判断任务新增了哪一类信息，再选择对应流水线，而不是把所有问题都塞给一个视觉模型。

先看方向地图

OCR 适合文档，人脸识别适合身份敏感场景，视频适合时间和运动，3D 视觉适合空间结构。

跑一个方向选择检查

选择一个方向深入，不要四个方向都浅尝辄止。

requirement = {
    "input": "screenshot",
    "needs_text": True,
    "needs_identity": False,
    "needs_time": False,
    "needs_depth": False,
}

if requirement["needs_text"]:
    direction = "OCR"
elif requirement["needs_identity"]:
    direction = "Face"
elif requirement["needs_time"]:
    direction = "Video"
elif requirement["needs_depth"]:
    direction = "3D"
else:
    direction = "Classification or detection"

print("direction:", direction)
print("first_output:", "text with layout")

预期输出：

direction: OCR
first_output: text with layout

做人脸、监控、医疗或身份项目时，先写清隐私和使用边界，再展示结果。

按这个顺序学

步骤	方向	实操产出
1	OCR	抽取文本、版面、字段、置信度和失败样例
2	人脸	检测人脸，解释阈值、隐私和偏见风险
3	视频	跨帧追踪事件并记录时间维度失败
4	3D 视觉	解释深度、点云、几何和传感器假设

通过标准

如果你能选择一个方向，定义输入/输出，运行最小项目，并记录失败案例和使用边界，就通过了本章。

检查思路与讲解

1. 合格答案要把任务映射到正确的视觉输出：类别标签、检测框、mask、OCR 文本、embedding 或视频事件。
2. 证据应包含渲染后的视觉产物，以及一个指标或定性错误说明。
3. 自检时要能指出一个视觉失败模式，例如类别混淆、漏检、mask 边界差、光照变化、领域偏移或标注质量弱。

留下的证据

学完这一页，至少保留这张证据卡：

场景边界

人脸、视频、OCR、3D、医疗，或其他视觉场景

输入样本

源图像/帧/文档以及期望的输出类型

结果工件

提取文本、跟踪事件、深度线索、诊断标记，或审查备注

失败检查

隐私、光照、时间漂移、布局、标定或领域风险

期望产出

带指标或人工复查说明的场景特定产物