傳統(tǒng)高精度機(jī)器視覺與深度學(xué)習(xí)機(jī)器視覺如何結(jié)合？

從一定角度來(lái)說，在某些方面比如目標(biāo)檢測(cè)，使用深度學(xué)習(xí)方式應(yīng)該是全面壓倒使用傳統(tǒng)高精度的算法的。理由有以下幾點(diǎn)：

1. 在某些確定情形下，或許傳統(tǒng)算法可能表現(xiàn)得優(yōu)于深度學(xué)習(xí)算法，但是其魯棒性從原理角度來(lái)說是無(wú)法媲美深度學(xué)習(xí)算法的，因?yàn)樘卣魇侨藶樵O(shè)定的，在面對(duì)“噪聲”干擾時(shí)，除了進(jìn)行人為修正設(shè)定特征這種辦法外沒有其他方法論可使用；反觀深度學(xué)習(xí)算法，由于是端到端思想，特征的設(shè)置完全由網(wǎng)絡(luò)去學(xué)習(xí)，一般而言其包含的特征數(shù)目要遠(yuǎn)大于人為設(shè)計(jì)的傳統(tǒng)特征，那么從理論上來(lái)講它的魯棒性就更強(qiáng)；另外，即便出現(xiàn)異常數(shù)據(jù)的情況，從理論上來(lái)講只需要做數(shù)據(jù)增廣即可，難度上較之人為設(shè)計(jì)特征修正要簡(jiǎn)便的多。

2. 從使用的硬件消耗來(lái)說，由于深度學(xué)習(xí)模型存在共享參數(shù)等有利機(jī)制，并且還可以結(jié)合推理等手段來(lái)降低消耗，目前經(jīng)典的模型其計(jì)算消耗已經(jīng)很小了；而與之對(duì)應(yīng)的，完成類似功能，達(dá)到相當(dāng)水準(zhǔn)的傳統(tǒng)算法有一些則很難以加速優(yōu)化。

3. 使用傳統(tǒng)算法可解釋性雖然很強(qiáng)，但是傳統(tǒng)算法存在著算法本身理解難度較大（相對(duì)的），調(diào)參復(fù)雜，上手困難的特點(diǎn)，不利于初學(xué)者；深度學(xué)習(xí)模型基本上搞清楚輸入，輸出，在參數(shù)未經(jīng)細(xì)致調(diào)節(jié)的情況下也可以獲得一個(gè)馬馬虎虎的結(jié)果，但傳統(tǒng)算法就算了。

總結(jié)一下：在簡(jiǎn)單、固定的情形里面，傳統(tǒng)算法或許能在計(jì)算資源消耗上優(yōu)于深度學(xué)習(xí)，但是算法的表現(xiàn)最多只能是媲美訓(xùn)練perfect的深度學(xué)習(xí)模型；但是在復(fù)雜且干擾甚多的情形下，傳統(tǒng)算法綜合來(lái)說無(wú)法媲美深度學(xué)習(xí)模型。

那么傳統(tǒng)算法如何同深度學(xué)習(xí)結(jié)合了？我根據(jù)工作經(jīng)驗(yàn)認(rèn)為主要有以下幾點(diǎn)：

1. 數(shù)據(jù)預(yù)處理， 深度學(xué)習(xí)算法的前期數(shù)據(jù)預(yù)處理階段需要使用傳統(tǒng)算法進(jìn)行增強(qiáng)，比如對(duì)某些有“缺陷”的樣本進(jìn)行初步篩選，比如對(duì)有些你需要網(wǎng)絡(luò)學(xué)習(xí)的特征進(jìn)行增強(qiáng)處理等等。

   
   

2. 在某些深度學(xué)習(xí)模型中提供參考，比如在某些condition GAN 里面，使用傳統(tǒng)算法提取出的某些特征也作為輸入?yún)⒘恳徊⑤斎?/p>

3. 設(shè)計(jì)loss 函數(shù)，比如在圖像風(fēng)格轉(zhuǎn)換、超分辨領(lǐng)域，使用SSIM等loss。

   
   

因此作為合格的圖像算法工程師，對(duì)于傳統(tǒng)算法和深度學(xué)習(xí)算法都應(yīng)該有所了解。