深度学习方法和传统的CV算法如何选择

近日，来自麻省理工学院、加州大学伯克利分校、伊利诺伊大学香槟分校、华盛顿大学、帝国理工学院的六名顶级人工智能科学家、计算机视觉科学家在 ICCV 大会期间进行了题为「A discussion about deep learning vs classical methods and their roles in computer vision」的学术讨论。

讨论会上，一个广为讨论的话题是：我们是否应该讲授深度学习之前的传统方法？还是直接通过深度学习解决所有问题？

  在专家们看来，从事 CV 研究的学生和工程师不仅仅要会使用深度学习方法，也要学习传统的 CV 算法。   传统方法和深度学习方法应当是相辅相成的关系。 经典的CV方法可以让我们更加深刻地理解任务本身，因为在经典的CV方法中，每一个参数都具有物理意义；当我们掌握了经典CV方法之后，再去学习深度学习方法，对于问题的理解才会更加深刻。    

比如：熟悉图像滤波会更容易理解卷积神经网络为什么有效；残差收缩网络将传统方法中的软阈值思想融入进残差网络ResNet；PWC-Net将光流法和用于提取特征的神经网络结合。

将经典方法与深度学习方法结合，是近期各大CV顶级会议的一大趋势。每一位致力于长期在CV领域发展的工程师，都不可能摒弃对CV传统方法的研究和学习！ 除此之外，当我们拥有的数据十分有限或者对可解释性要求较高的场景时，使用基于深度学习的方法就要特别小心。 那么我们到底该如何系统地学习CV传统方法，并打下扎实和牢固的基础呢？ 很多小伙伴们都已经发现，虽然平时收藏了很多干货合集，知识体系的搭建依然零散杂乱，难以抓住CV研究的主要脉路。 为了解决这一难题，帮助大家更快更稳入门CV领域，深蓝学院教研团队联合原中科院自动化所的老师们经过潜心打磨和沉淀，推出了《计算机视觉应用基础》课程，帮助大家在CV道路上更加高效学习并实现创新。 本期《计算机视觉应用基础》课程不但会围绕图像分割、目标跟踪、检测识别方法这些经典任务，对传统方法展开详细讲解，并且配套基于C++以及Python的两个版本的代码实践！ 实践项目（部分） 课程将会为大家讲解图像的底层信息，帮助大家掌握计算机视觉核心算法的基本流程和代码实践过程，并配合实践项目，对任务进行更加优化的设计和调试。

   编辑：黄飞