近日，來自麻省理工學(xué)院、加州大學(xué)伯克利分校、伊利諾伊大學(xué)香檳分校、華盛頓大學(xué)、帝國(guó)理工學(xué)院的六名頂級(jí)人工智能科學(xué)家、計(jì)算機(jī)視覺科學(xué)家在 ICCV 大會(huì)期間進(jìn)行了題為「A discussion about deep learning vs classical methods and their roles in computer vision」的學(xué)術(shù)討論。

討論會(huì)上，一個(gè)廣為討論的話題是：我們是否應(yīng)該講授深度學(xué)習(xí)之前的傳統(tǒng)方法？還是直接通過深度學(xué)習(xí)解決所有問題？

? 在專家們看來，從事 CV 研究的學(xué)生和工程師不僅僅要會(huì)使用深度學(xué)習(xí)方法，也要學(xué)習(xí)傳統(tǒng)的 CV 算法。 ? 傳統(tǒng)方法和深度學(xué)習(xí)方法應(yīng)當(dāng)是相輔相成的關(guān)系。 經(jīng)典的CV方法可以讓我們更加深刻地理解任務(wù)本身，因?yàn)樵诮?jīng)典的CV方法中，每一個(gè)參數(shù)都具有物理意義；當(dāng)我們掌握了經(jīng)典CV方法之后，再去學(xué)習(xí)深度學(xué)習(xí)方法，對(duì)于問題的理解才會(huì)更加深刻。????

比如：熟悉圖像濾波會(huì)更容易理解卷積神經(jīng)網(wǎng)絡(luò)為什么有效；殘差收縮網(wǎng)絡(luò)將傳統(tǒng)方法中的軟閾值思想融入進(jìn)殘差網(wǎng)絡(luò)ResNet；PWC-Net將光流法和用于提取特征的神經(jīng)網(wǎng)絡(luò)結(jié)合。

將經(jīng)典方法與深度學(xué)習(xí)方法結(jié)合，是近期各大CV頂級(jí)會(huì)議的一大趨勢(shì)。每一位致力于長(zhǎng)期在CV領(lǐng)域發(fā)展的工程師，都不可能摒棄對(duì)CV傳統(tǒng)方法的研究和學(xué)習(xí)！ 除此之外，當(dāng)我們擁有的數(shù)據(jù)十分有限或者對(duì)可解釋性要求較高的場(chǎng)景時(shí)，使用基于深度學(xué)習(xí)的方法就要特別小心。 那么我們到底該如何系統(tǒng)地學(xué)習(xí)CV傳統(tǒng)方法，并打下扎實(shí)和牢固的基礎(chǔ)呢？ 很多小伙伴們都已經(jīng)發(fā)現(xiàn)，雖然平時(shí)收藏了很多干貨合集，知識(shí)體系的搭建依然零散雜亂，難以抓住CV研究的主要脈路。 為了解決這一難題，幫助大家更快更穩(wěn)入門CV領(lǐng)域，深藍(lán)學(xué)院教研團(tuán)隊(duì)聯(lián)合原中科院自動(dòng)化所的老師們經(jīng)過潛心打磨和沉淀，推出了《計(jì)算機(jī)視覺應(yīng)用基礎(chǔ)》課程，幫助大家在CV道路上更加高效學(xué)習(xí)并實(shí)現(xiàn)創(chuàng)新。 本期《計(jì)算機(jī)視覺應(yīng)用基礎(chǔ)》課程不但會(huì)圍繞圖像分割、目標(biāo)跟蹤、檢測(cè)識(shí)別方法這些經(jīng)典任務(wù)，對(duì)傳統(tǒng)方法展開詳細(xì)講解，并且配套基于C++以及Python的兩個(gè)版本的代碼實(shí)踐！ 實(shí)踐項(xiàng)目（部分） 課程將會(huì)為大家講解圖像的底層信息，幫助大家掌握計(jì)算機(jī)視覺核心算法的基本流程和代碼實(shí)踐過程，并配合實(shí)踐項(xiàng)目，對(duì)任務(wù)進(jìn)行更加優(yōu)化的設(shè)計(jì)和調(diào)試。

? ?編輯：黃飛

?