1樓：尋常巷陌
如果資料中雜訊比較強的話，深度殘差收縮網路比較適合。
雜訊比較弱的話，應該也適用，因為閾值是根據資料自適應設定的。
2樓：
脫離要解決的問題談演算法是沒有意義的！目前學界對CV基本任務的定義也是十分混亂和隨意的。
本人嘗試對CV的基本問題做了個定義，CV要解決的是感知「目標、目標（和自身）在三維空間中的位置關係、目標的三維形狀及其改變、目標的位移、符號」。寫了乙個系列文章介紹現在的進展，和研究的缺失。其中提到演算法大部分是非常有價值（沒提到的絕大部分沒卵用），可以參考一下。
當我們觀察我們生存的環境時，感知到了什麼？通過直覺可以給出回答——目標、目標（和自身）在三維空間中的位置關係、目標的三維形狀及其改變、目標的位移、符號。
緣起三維感知
目標識別
3.0. 目標是什麼
3.1. 影象分割
3.2. 紋理與材質
3.3. 特徵提取與描述
目標（和自身）在三維空間中的位置關係
目標的三維形狀及其改變、目標的位移
符號識別
數字影象處理
計算機視覺中，目前有哪些經典的目標跟蹤演算法？
砥礪前行的登山者 為了該問題，剛註冊的知乎，已入坑。之前研究經典的追蹤演算法，乃至有種 山中一日，世上已千年 的趕腳。該領域已經漸漸沉浸於相關濾波和深度學習裡，但以前的經典還需好好繼承，舉個小爪爪，以後和大家一起交流目標跟蹤的經驗 Ge皮燉蛋湯 MOSSE，Visual Object Trackin...
計算機視覺中，目前有哪些成熟的匹配定位演算法？
opencv自帶的那個surf特徵點配準的是真的不好用，實際幹專案的場景精度很差，每次得等到光照啥的條件好點的時候再配準。 Ronald GMS了解一下 要求實時 精度也不差 orb GMS 要求精度 A SIFT GMS 相同程度匹配，速度精度比RANSAC效果好 餘果 SegICP Integr...
計算機視覺（cv）下哪個小方向目前更有發展前途？
小鄭 社會發展的太快，誰也不知道哪一方面會一直發展的好，所以挑選你感興趣的方向，多涉獵其他方向，在你的領域多學底層，在你的方向做精做細 發展前途？呵呵，先打好基礎再說，我跟你說的基礎，可不是技術基礎，而是更加堅實的理論基礎！比如數學。因為只有這些好了，你才能看到一般工程師們看不到的東西，搞起技術來才...