计算机视觉分析：传统视觉VS深度学习

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，Richard Szeliski 博士发表了题为「Deep vs Classical Methods」的演讲。演讲中，Richard 提到，在设置人工智能专业课程时，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 Richard 博士看来，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。尤其是当我们拥有的数据十分有限时，使用基于深度学习的方法就要特别小心，此外，对可解释性要求较高的场景中，深度学习的方法往往并不能满足需求（例如：医疗场景）

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！

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！

详情咨询请扫码添加客服，

请务必备注小白，优先通过哦！

扫码了解更多优惠内容

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。

以下附上课程实践内容（部分）

01 Graph Cuts

掌握图的建立和图割过程，并完成代码实现。学习图论的基本知识，BFS，DFS图搜算法，以及求解Max flow问题的Ermond Karp算法。学习Graph- Cut算法的改进方法，以及求解思路。

02 基于GMM的运动分割

掌握用EM算法进行时序数据的参数估计。掌握GMM算法的核心思想和处理思路，并且完成代码实现。

03 基于光流的目标跟踪

理解光流概念，光流计算的核心：光流约束方程。光流计算的问题和相应的解决思路。掌握光流目标跟踪的处理流程，并完成代码实现。

04 基于粒子滤波的目标跟踪

学习用递归贝叶斯后验估计求解自顶向下跟踪问题。理解 Monte Carlo的核心思路：将问题转换为某事件出现的概率，解决方法。完成求解常数π，高斯分布的p阶距的代码实现。掌握粒子滤波目标跟踪算法的整体流程，并且完成代码实现。

深蓝学院长期以来坚持“理论+实践”学习模式，为课程配有相应实践项目，我们坚信只有结合实践项目，即学即练，才能帮助学生更加透彻掌握所学知识。

本套课程适合人群

强大的师资力量

详尽的学习内容

你将会收获

还能收获

优质的学习圈子：和你一起学习伙伴们大多是来自985、211及海外院校硕博，在这里大家一起学习、讨论与研究。独一无二的优质圈子将是你未来学习与就业的宝贵资源。

全方位办学服务

抢占学习名额!!!

详情咨询请扫码添加客服，

请务必备注小白，优先通过哦！

扫码了解更多优惠内容