11.29 结束语
本文考察了人视觉系统的发展过程，总结出实现视觉物体分割的两大类途径 , 一类是基于多视觉信号分析，通过同一物体在不同视觉信号上的对应关系来实现物体分割；另一类是利用先验信息实现物体分割。受此启发，本论文也通过这两类途径实现计算机的视觉物体分割，针对前一类途径，重点研究了匹配和运动建模两大关键技术；针对后一类途径，提出了两种通用的模型来统一编码常见的先验信息。
需要注意的是，本文的所有工作均发表在前深度学习时代，当时的运动估计、立体匹配等底层视觉技术（对应于人的早期视觉能力）相较于语义分析等高层视觉技术（对应于人的中晚期视觉能力）更为成熟，我们也偏重于探讨如何利用运动和立体信息来指导语义分析，而且只关注推理部分。
事实上，人的视觉机制极其复杂，底层视觉能力不仅能帮助语义推理，对于高层视觉能力本身的学习也至关重要。而人的视觉系统成熟以后，高层语义分析能力又能反过来改进人的运动估计、立体匹配等底层视觉能力。随着深度学习技术在视觉领域的广泛应用，高层视觉（分类、检测、分割等）进步显著[10] ，这也将使得更丰富、全面地研究底层和高层视觉能力的相互促进成为可能。
另一方面，需要注意的是，计算机并不等同于人，计算机相比于人能利用更丰富的传感器、更多的数据，以及更强大的计算资源。例如，人只能感知可见光，而计算机则可以采集各种频率下的光谱信号，人只能用双目视差来测距，其应用范围和精度有限，而计算机则可以利用各种各样的距离传感器来得到准确的距离信息等。因此，尽管人类的视觉系统为我们提供了一个非常好的模仿案例，但也不必拘泥于完全地模仿人类。最后，也应看到尽管深度学习技术的出现大大提升了计算机视觉的水平，计算机的物体分割和其它视觉能力与人仍有较大差距，这些都需要学者们继续努力来进一步缩小与人类视觉的差距。