傳統演算法與深度學習並不是對立的。傳統演算法也可以被集成進深度學習之中。

深度殘差收縮網路[1][2]就集成了傳統的軟閾值函數和較新的殘差網路，在含噪數據特徵學習方面獲得了更佳的效果，如下圖：

參考

  1. ^深度殘差收縮網路：藉助注意力機制實現特徵的軟閾值化 https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/105061644
  2. ^Deep Residual Shrinkage Networks for Fault Diagnosis https://ieeexplore.ieee.org/document/8850096

深度學習崛起後，傳統計算機視覺技術落伍了嗎？?

mp.weixin.qq.com圖標

可以參考該文章，寫的挺好的

深度學習還是屬於機器學習範疇的，所以要把深度學習的效果做好，還是擺脫不了一般的機器學習的pipeline, 預處理-&>特徵工程-&>模型，深度學習可能在模型這塊有了不少突破，但是在預處理和特徵工程這塊，傳統圖像處理還是不可缺少的。雖然深度學習號稱能夠自動學習特徵，但是如果沒有做好預處理和黑盒之外的特徵工程，深度學習也很難達到非常好的效果。另外，深度學習也沒有在圖像所有的領域都取得突破，傳統圖像處理還是有用武之地的。最後，深度學習要數據啊，沒數據，還是得靠傳統圖像處理頂上去。

模型的性能源自兩方面，即數據中的信息和設計時的先驗知識（特殊結構）。深度學習本質上和其它傳統擬合器一樣，只不過可以調的參數多一點，用的數據大很多。

灌數據數據人人都會，數據驅動的紅利吃完了，靠什麼繼續提升?還不是對任務的insight，而傳統方法創新的核心就是直觀的insight。所以精讀傳統方法可以幫助理解問題本質，深刻的見解+強大的新工具才是王道。

況且很多工業場景有算力限制，任務單一，殺雞焉用牛刀?

兩者會融合，互取優勢

圖像處理?這個領域主流還是傳統演算法，只是偶爾會用到深度學習，比如手機拍照的ISP，各種濾波，顏色調整，對比度調整，顏色校正，畸變校正等等，這些都是傳統的圖像處理。再比如，各種美顏，Photoshop里的各種演算法也大多是傳統演算法。

我猜你想問的不是圖像處理領域，是想問圖像識別領域，這個領域深度學習的應用多一點。

在圖像識別這塊，那自然是看適合用深度學習還是適合用圖像的演算法。比如識別圖像里是貓還是狗，那自然用深度學習，但是如果是識別二維碼，那自然用傳統演算法。

選擇哪種演算法取決於你的數據，你的應用場景，演算法運行的平台，對精讀和準確度的需求，以及你的開發成本。

如果深度學習能取得更好的精度(滿足速度要求)，那麼選擇深度學習吧，這是趨勢。卷積神經網路已經從以前的特徵提取到現在的end2end解決方案，確實解決了傳統視覺無法解決的問題。但現在不能說傳統方法就過時了，深度學習也有無法解決的問題，思想是共通的，可以相互借鑒，傳統演算法可以作為基礎理論，融合到深度學習。深度學習的發展不僅需要解決方案的創新，也需要基礎理論的創新。就目前看深度學習已經融合了不僅是傳統演算法，數學，資訊理論等，以及智能演算法都有進一步結合。深度學習已經應用到各行業各領域，且細分技術眾多，依然充斥著各種挑戰(道高一尺魔高一丈)，距離中級智能要有很長的路要走。作為一名深度學習從業者，很慶幸踏入時代的洪流，這是一條光明的道路，我們一起努力吧。

在深度學習剛出來時，業界新興的很多自動駕駛公司以為和mobileye的差距逐漸縮小，甚至可以拉平。但事實是，mobileye積累的傳統演算法和深度學習演算法相結合的產品，依舊碾壓一眾只做深度學習演算法的公司。

所以回到題目，傳統演算法何去何從？傳統演算法依舊需要深入挖掘，尋找深度學習和傳統方法的結合點，從問題本身出發，尋找最適合的方法而不是為了使用深度學習而用深度學習。

以上。

推薦閱讀：
相关文章