传统高精度机器视觉与深度学习机器视觉如何结合？收藏

   从一定角度来说，在某些方面比如目标检测，使用深度学习方式应该是全面压倒使用传统高精度的算法的理由有以下几点：    1. 在某些确定情形下，或许传统算法可能表现得优于深度学习算法，但是其鲁棒性从原理角度来说是无法媲美深度学习算法的，因为特征是人为设定的，在面对“噪声”干扰时，除了进行人为修正设定特征这种办法外没有其他方法论可使用；反观深度学习算法，由于是端到端思想，特征的设置完全由网络去学习，一般而言其包含的特征数目要远大于人为设计的传统特征，那么从理论上来讲它的鲁棒性就更强；另外，即便出现异常数据的情况，从理论上来讲只需要做数据增广即可，难度上较之人为设计特征修正要简便的多。

   2. 从使用的硬件消耗来说，由于深度学习模型存在共享参数等有利机制，并且还可以结合推理等手段来降低消耗，目前经典的模型其计算消耗已经很小了；而与之对应的，完成类似功能，达到相当水准的传统算法有一些则很难以加速优化。

   3. 使用传统算法可解释性虽然很强，但是传统算法存在着算法本身理解难度较大（相对的），调参复杂，上手困难的特点，不利于初学者；深度学习模型基本上搞清楚输入，输出，在参数未经细致调节的情况下也可以获得一个马马虎虎的结果，但传统算法就算了。

   总结一下：在简单、固定的情形里面，传统算法或许能在计算资源消耗上优于深度学习，但是算法的表现最多只能是媲美训练perfect的深度学习模型；但是在复杂且干扰甚多的情形下，传统算法综合来说无法媲美深度学习模型。

那么传统算法如何同深度学习结合了？我根据工作经验认为主要有以下几点：1.数据预处理， 深度学习算法的前期数据预处理阶段需要使用传统算法进行增强，比如对某些有“缺陷”的样本进行初步筛选，比如对有些你需要网络学习的特征进行增强处理等等。

2.在某些深度学习模型中提供参考，比如在某些condition GAN 里面，使用传统算法提取出的某些特征也作为输入参量一并输入3.设计loss 函数，比如在图像风格转换、超分辨领域，使用SSIM等loss。

因此作为合格的图像算法工程师，对于传统算法和深度学习算法都应该有所了解。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。