0 机器视觉传统计算机视觉技术落伍了吗？不，它们是深度学习的新动能

【机器视觉】传统计算机视觉技术落伍了吗？不，它们 是深度学习的新动能新机器视觉2020-01-30 原文深度学习崛起后，传统计算机视觉方法被淘汰了吗？Deep Learning vs. Traditi

【机器视觉】传统计算机视觉技术落伍了吗？不，它们 是 深度学习的新动能新机器视觉 原文 2020-01-30 深度学习崛起后，传统计算机视觉方法被淘汰了吗？ Deep Learning vs. Traditional Computer Vision Niall O' Mahony, Sean Campbell, Anderson Carvalho, Suman Harapanahalli, Gustavo Velasco Hernandez, Lenka Krpalkova, Daniel Riordan, Joseph Walsh IMaR Technology Gateway, Institute of Technology Tralee, Tralee, Ireland niall.omahony@research.ittralee.ie •论文链接： https://arxiv.Org/ftp/arxiv/papers/1910/1910.13796.pdf深度学习扩展了数字 图像处理的边界。然而，这并不代表在深度学习崛起之前 不断进展进步的传统计算 机视觉技术被淘汰。近期，来自爱尔兰垂利理工学院 的争辩者发表论文，分析了这 两种方法的优缺点。 此外，这 篇论文还探 该论文旨在促进人们对能否保留经典计算机视觉技术学问进行争辩。 讨文中提及了多个近期混 合方法，这些方法既提 了如何结合传统计算机视觉与深度学习。 升了计算机视觉功能，又处理了不适合深度学习的问 题。例如，将传统计算机视觉技术与 深度学习结合已经在很多新兴领域流行起 来，如深度学习模型尚未得到充分优化的全视野、 视觉领域。 3D 深度学习传统计算机视觉深度学习的优势 VS 深度学习的快速进展和设备力量的改善(如算力、内存容量、能耗、图像传感 器辨别率和光 学器件)提升了视觉使用的功能和成本效益，并进一步加快了此 类使用的扩展。与传统 CV 技术相比，深度学习可以挂念工程师在图像分 类、语义分割、目标检测和同步定位与 CV 地图构建等任务上获得更高 的精确 率。由于深度学习所用的神经网络是训练得 (SLAM) 到而非编程得到，因进，但也有可能是后退。本论文提到了该争辩的正反方观点，但是假如 将来的 方法仅基于数据驱动，那么争辩重点该当放在更智能的数据集创建方法上。 当前 争辩的基础问题是：对于特殊使用的高级算法或模型，没有足够的数据。 将来，结合自定