在影象處理領域，深度學習是否全面代替了傳統的非神經網路的影象識別方法？

1樓：開栓要冷藏

深度學習的方法並不是萬能的，比如在大家傳統認為的深度學習強項Direction，有時也會直接用色度圖的方式來實現，簡單快捷，準確率不會差太多。

2樓：

深度學習讓好多非專業人士找到了識別，分割影象的辦法。但是不了解傳統的影象處理方法是不行的。你會發現基本上除了GPU加速，大部分都是以前的東西，煥發新生了。不對的勿噴。

3樓：謝博琛

1 影象識別與影象識別方法

首先，從自身理解層面，談一下影象識別及其方法。

影象識別：識別 (recognition)是自底向上影象處理方法的最後步驟。識別從根本上來說，就是為物體標明類別，而用來做識別的演算法叫做分類器。

影象識別方法：這個在課堂上學過很多，所謂的傳統演算法比如統計模式識別、句法模式識別、作為圖匹配的識別、模糊系統、隨機森林以及傳統神經元網路等。之後，在傳統神經元網路和機器學習的基礎上，發展了深度學習方法。

所謂影象識別方法，都是影象識別的工具。

2 影象識別中的深度學習方法的優劣

1）優點：深度學習類方法在複雜場景下做目標識別的精度是高於傳統演算法的，而且傳統方法難以在複雜場景下做目標識別。隨著任務的複雜程度的增加以及任務對精確性要求的提公升，深度學習方法會在此類問題下發揮重要作用。

2）缺點：深度學習需要大量的算力，高配置的硬體（GPU/伺服器），訓練資料集的要求很高，並且實時性不好，不容易應用在小型化或者嵌入式裝置中。在很多簡單目標場景和需要實時性的場合下，傳統方法要優於深度學習方法。

3 影象識別中的傳統方法的優劣

1）優點：實時性好，速度快，演算法簡單，容易應用，並且精度也不錯，適用於簡單目標場景和需要實時性的場合，尤其適合工業應用中的視覺伺服。在這些領域，在深度學習方法減少對算力的依賴之前，很難與傳統方法一戰啊，不能讓產線的視覺伺服機械臂，頂著發熱的伺服器大腦袋做簡單的裝配工作吧：

(2）缺點：當然了，缺點也是顯而易見的，複雜場景的目標識別，傳統演算法會力不從心。

4 總結

我們從事的研究工作，其實最終目標都是落地到實際的生產生活，實踐出真知嘛。分清場合，選擇最佳的識別方法，哪種行之有效就用哪種，提高效率，這才是我們真正要關注的東西。

4樓：

沒有。以後也許會逐步替代，但更可能共存。

制約因素：資料，site-training-computing，場景(2D複雜文理定位等高精度要求)，還有其它同學說的殺雞牛刀問題等等。

5樓：新興IT民工

並沒有。應該說特殊問題特殊分析吧。

借用軟體行業裡的一句話，啥都用深度網路模型來解決問題的話，模型太「重」了。

有些問題可能更適合輕量級的解決方案—也就是傳統的影象處理方式。

6樓：福來

目前深度學習應用在CV領域只能針對部分特定區域，切需要大量資料驅動及算力支援去盡可能擬合所有情況。而這些領域傳統機器學習方法及影象處理方法則更加簡單快捷有效。

7樓：戴曉天

沒有。深度學習要大規模應用主要的問題有三點：

（1）算力的問題沒有解決；

（2）訓練資料集的要求較高，且需要人工標註；

（3）需要調引數使得方法最優。

針對以上三點，現有的研究方向有：

（1）降低訓練過程和執行過程中的計算量要求，同時使用專用AI晶元；

（2）減少對資料樣本集大小的要求，使用少量資料即能訓練；

（3）使用神經網路來為神經網路自動調參。

8樓：鄭澤嘉

並沒有。具體問題具體分析。

當你有大量資料，大量算力，並且知道你想要擬合/解釋的空間分布無法用顯式函式表示但是又具有一定連續性，可以大致通過你手頭的資料表示出來的時候，深度學習才能體現出其價值。

很多的影象處理問題並不符合這種條件。

比如流水線上，產品的瑕疵檢測，由於環境可控產品性狀穩定，完全可以通過傳統的機器視覺方法解決。

比如PS裡你想要給影象紅色變綠色，由於本身問題很簡單，根本沒有必要深度學習。