1樓：不立危牆Amon
主要是機器視覺、缺陷檢測吧？有2d、有3d的。3d壁壘略高。3d手機、汽車精密製造、高鐵製造、飛機葉片製造等。
深度學習目前創業公司很多，小程式、智慧型寫作、金/融服務、醫療影像、測序診斷、食品質檢、機器視覺、工業檢測等等，都接觸過一些。純演算法公司能落地的不多，總是測算不到正向現金流，確定性不夠。要不就是應用場景不夠大（大場景被頭部it公司盯上了，輪不到創業公司），缺乏吸引力，要不就是人無我有、人有我優的核心競爭力不突出。
深度學習最好是與其它學科交叉配合，選擇大一點的應用場景，在某個細分產業把壁壘做深。比如，病理切片掃瞄器，鏡頭次一點（省成本），可以用深度學習、機器視覺演算法進行補償。整個病理切片掃瞄器競爭力就突出了。
只是舉例，一點愚見。
2樓：中公優就業
機器視覺已經長期應用在工業自動化系統中，如儀表板智慧型整合測試、金屬板表面自動控傷、汽車車身檢測、紙幣印刷質量檢測、金相分析、流水線生產檢測等等，機器視覺自動化裝置可以代替人工不知疲倦的進行重複性的工作，且在一些不適合於人工作業的危險工作環境或人工視覺難以滿足要求的場合，機器視覺可替代人工視覺。
深度學習領域有哪些瓶頸？
knnay 很多資料集中大部分都是冗餘資訊。有用資訊只佔整個資料集的很小一部分。如果能夠在深度學習進行特徵學習的過程中，把冗餘資訊自動地剔除掉，就有可能提高深度學習的效果。面向強噪 高冗餘資料的 深度殘差收縮網路 小文 這個問題下的高質量回答已經很多了，我從工程師的角度談一談深度學習應用的瓶頸。尤其...
視覺 自然語言 語音等AI領域，有哪些深度學習暫時處理不好 或者不如傳統方法的方向？
多智百科 我對自然語言處理有一定的了解，我簡單介紹一下深度學習在自然語言處理中的應用，近幾年，深度學習在影象和語音處理領域已經取得顯著進展，但是在同屬人類認知範疇的自然語言處理任務中，研究還未取得重大突破。深度學習在影象的語音領域取得了突出成果，但是在自然語言處理上還未取得重大突破，與語音和影象不同...
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？
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。 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...