1樓：
從事深度學習研究兩年，談一談個人經歷及感受。
傳統影象處理方法：特徵提取主要依賴人工設計的特徵提取器，需要有專業知識及複雜的調參過程，同時每個方法都是針對具體應用，泛化能力及魯棒性較差。傳統影象演算法能解決某些特定場景的、可人工定義、設計、理解的影象任務。
特定場景效果好，但普遍泛化性弱，可解釋性更強，效能一般更好，但調參依賴專業知識和經驗。目前在某些極端低算力場景、特定海量處理場景仍有一定應用價值。
深度學習方法：主要基於資料驅動進行特徵提取，根據大量樣本的學習能夠得到深層的、資料集特定的特徵表示，其對資料集的表達更高效和準確，所提取的抽象特徵魯棒性更強，泛化能力更好，並且可以是端到端的。缺點是樣本集影響較大，算力要求較高。
深度學習能夠解決更多高階的、語義級別的、只能抽象描述的影象識別、檢測、風格、創造性的問題。優點是效果優異、泛化更好、可端到端訓練、無需複雜調參，仍處於蓬勃發展的時期；但算力、資料消耗大，可解釋性目前很弱。
綜上所述，深度學習方法逐漸成為主流，傳統方法依然有用武之地。
2樓：慕子三矢
好問題。
首先傳統影象處理是以opencv為代表的，主要用於資料集匱乏，而且沒有明顯規律的影象識別。
深度學習只要是訓練模型，可以理解為是對一種規律通過不斷的學習，達到識別。例如，乙個人高高的瘦瘦的，那麼通過多次訓練之後，模型對於高高瘦瘦的物體就會認為是人的概率大些。
這兩種在學習上是都要會的，因為各有所長。深度學習畢竟有點黑盒，可解釋性不強。而二者的結合恰恰是創新的方向。
以下是我的書單。
傳統影象處理還有前景嗎？
大鵬諮道 工業檢測用的Hancon跟OpenCV一樣的常用到，我也是自學影象處理，深度學習沒經驗，做影象的選擇性就比較狹隘了，建議還是要學深度學習，一定要有相關專案支撐，不然工作很難找，或者放棄影象，不要說自己是做影象的，做一做C 軟體開發 另外本人有兩個影象處理的專案經驗卻依然找不到傳統影象處理的...
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...
請問生物資訊學，生物醫療器械，醫學影象處理方向那個方向更有前景一些
請別說話 要看你是本科還是碩士吧，本科推薦生物醫療器械，如果是碩士的話生物資訊學，不過生物資訊學必須要精通至少一門計算機語言。生物資訊學很看重計算機語言能力以及工作經歷，所以建議多找一些好的實習機會。 建議按老闆的方向走。生信特別依託生物背景和資料產出，生物資料庫資料探勘是低端科研，不適合在好學校學...