如果有人朝你扔过来一个球，通常你会怎么办？——当然是马上把它接住。
这个问题是不是很简单？但实际上，这一过程是最复杂的处理过程之一：首先，在复杂的背景环境下，球进入人的视野，被视网膜捕捉到后，经视觉通路发送到大脑处理视觉信息的脑区，进行更加彻底的图像分析。同时视皮层与其他脑区协作，判断物体的种类，预测它的行进轨迹，最终通过传出神经控制肌肉的运动，决定人的下一步行动：举起双手、接住球。上述过程只在零点几秒内发生，几乎完全是下意识的行为，也很少会出差错。
为了让计算机模仿这一过程，首先需要让计算机做到像人类那样“看”，尤其是在嘈杂背景下像人类那样快速准确地“看”，成为了近年来视觉感知这一研究领域备受