近日,来自麻省理工学院、加州大学伯克利分校、伊利诺伊大学香槟分校、华盛顿大学、帝国理工学院的六名顶级人工智能科学家、计算机视觉科学家在 ICCV 大会期间进行了题为「A discussion about deep learning vs classical methods and their roles in computer vision」的学术讨论。
讨论会上,Richard Szeliski 博士发表了题为「Deep vs Classical Methods」的演讲。演讲中,Richard 提到,在设置人工智能专业课程时,一个广为讨论的话题是:我们是否应该讲授深度学习之前的传统方法?还是直接通过深度学习解决所有问题?
在 Richard 博士看来,从事 CV 研究的学生和工程师不仅仅要会使用深度学习方法,也要学习传统的 CV 算法。尤其是当我们拥有的数据十分有限时,使用基于深度学习的方法就要特别小心,此外,对可解释性要求较高的场景中,深度学习的方法往往并不能满足需求(例如:医疗场景)
传统方法和深度学习方法应当是相辅相成的关系。经典的CV方法可以让我们更加深刻地理解任务本身,因为在经典的CV方法中,每一个参数都具有物理意义;当我们掌握了经典CV方法之后,再去学习深度学习方法,对于问题的理解才会更加深刻。比如:熟悉图像滤波会更容易理解卷积神经网络为什么有效;残差收缩网络将传统方法中的软阈值思想融入进残差网络ResNet;PWC-Net将光流法和用于提取特征的神经网络结合。 将经典方法与深度学习方法结合,是近期各大CV顶级会议的一大趋势。每一位致力于长期在CV领域发展的工程师,都不可能摒弃对CV传统方法的研究和学习!
那么我们到底该如何系统地学习CV传统方法,并打下扎实和牢固的基础呢?
很多小伙伴们都已经发现,就算平时收藏了再多干货合集,知识体系的搭建依然零散杂乱,难以抓住CV研究的主要脉路。为了解决这一难题,帮助小白更快更稳入门CV领域,深蓝学院特地邀请到重磅嘉宾汪凌峰老师(中科院自动化所识别国家重点实验室博士)为大家系统讲解计算机视觉基础相关知识!
https://xg.zhihu.com/plugin/584fe0faa34db0f4bc649ba985fa41a1?BIZ=ECOMMERCE嘉宾老师不但会围绕图像分割、目标跟踪、检测识别方法这些经典任务,对传统方法展开详细讲解,并且配套基于C++以及Python的两个版本的代码实践!
以下附上实践内容(部分)
01 Graph Cuts
掌握图的建立和图割过程,并完成代码实现。学习图论的基本知识,BFS,DFS图搜算法,以及求解Max flow问题的Ermond Karp算法。学习Graph- Cut算法的改进方法,以及求解思路。
02 基于GMM的运动分割
掌握用EM算法进行时序数据的参数估计。掌握GMM算法的核心思想和处理思路,并且完成代码实现。
03 基于光流的目标跟踪
理解光流概念,光流计算的核心:光流约束方程。光流计算的问题和相应的解决思路。掌握光流目标跟踪的处理流程,并完成代码实现。
04 基于粒子滤波的目标跟踪
学习用递归贝叶斯后验估计求解自顶向下跟踪问题。理解 Monte Carlo的核心思路:将问题转换为某事件出现的概率,解决方法。完成求解常数π,高斯分布的p阶距的代码实现。掌握粒子滤波目标跟踪算法的整体流程,并且完成代码实现。
只有结合实践项目,即学即练,才能帮助学员更加透彻掌握所学知识。
如果你对计算机视觉算法工程师岗位还有什么疑惑,或者是想成为优秀计算机视觉算法工程师,欢迎咨询我们哦!
https://xg.zhihu.com/plugin/584fe0faa34db0f4bc649ba985fa41a1?BIZ=ECOMMERCE往期内容
深蓝学院:特征提取:传统算法 vs 深度学习 |