計算機視覺的三大主流方向：圖像分割、目標跟蹤與目標檢測

近幾年計算機視覺非?；馃幔瑢W術(shù)界論文發(fā)表數(shù)量呈指數(shù)增長，其中ICCV 2019共收獲 4328 篇論文，較上一屆 2143 篇，數(shù)量多出了將近一倍（數(shù)據(jù)來自雷鋒網(wǎng)）；落地上，已廣泛應用于安防、自動駕駛、醫(yī)療、消費等領(lǐng)域；同時也誕生了很多像商湯、曠視這樣的名企。

計算機視覺應用情況

（圖源：前瞻產(chǎn)業(yè)研究院整理）

雖然越來越多的伙伴想要從事計算機視覺領(lǐng)域的工作，但在入門學習時沒有專業(yè)的指導，直接將深度學習作為學習計算機視覺的切入點，導致只關(guān)注深度學習方法及相應的開源代碼，而忽視了傳統(tǒng)方法的學習。

傳統(tǒng)方法是計算機視覺的根基，不理解傳統(tǒng)方法往往造成只會調(diào)參&跑效果的結(jié)果。在進一步學習及解決實際問題時，更是步履維艱。究其原因是不理解計算機視覺的根本原理。

基于深度學習的算法缺乏可解釋性，傳統(tǒng)方法的算法恰恰彌補了這個缺點，不但具有可解釋性，更能正確引導修正模型，且算法的速度也更快。

現(xiàn)在很多深度學習算法，都開始將傳統(tǒng)思路結(jié)合進去，尤其是在算法冷啟動時，數(shù)據(jù)量非常少，很難用深度學習算法。所以，傳統(tǒng)方法不能被忽略！

責任編輯：lq