传统演算法与深度学习并不是对立的。传统演算法也可以被集成进深度学习之中。

深度残差收缩网路[1][2]就集成了传统的软阈值函数和较新的残差网路，在含噪数据特征学习方面获得了更佳的效果，如下图：

参考

  1. ^深度残差收缩网路：借助注意力机制实现特征的软阈值化 https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/105061644
  2. ^Deep Residual Shrinkage Networks for Fault Diagnosis https://ieeexplore.ieee.org/document/8850096

深度学习崛起后，传统计算机视觉技术落伍了吗？?

mp.weixin.qq.com图标

可以参考该文章，写的挺好的

深度学习还是属于机器学习范畴的，所以要把深度学习的效果做好，还是摆脱不了一般的机器学习的pipeline, 预处理-&>特征工程-&>模型，深度学习可能在模型这块有了不少突破，但是在预处理和特征工程这块，传统图像处理还是不可缺少的。虽然深度学习号称能够自动学习特征，但是如果没有做好预处理和黑盒之外的特征工程，深度学习也很难达到非常好的效果。另外，深度学习也没有在图像所有的领域都取得突破，传统图像处理还是有用武之地的。最后，深度学习要数据啊，没数据，还是得靠传统图像处理顶上去。

模型的性能源自两方面，即数据中的信息和设计时的先验知识（特殊结构）。深度学习本质上和其它传统拟合器一样，只不过可以调的参数多一点，用的数据大很多。

灌数据数据人人都会，数据驱动的红利吃完了，靠什么继续提升?还不是对任务的insight，而传统方法创新的核心就是直观的insight。所以精读传统方法可以帮助理解问题本质，深刻的见解+强大的新工具才是王道。

况且很多工业场景有算力限制，任务单一，杀鸡焉用牛刀?

两者会融合，互取优势

图像处理?这个领域主流还是传统演算法，只是偶尔会用到深度学习，比如手机拍照的ISP，各种滤波，颜色调整，对比度调整，颜色校正，畸变校正等等，这些都是传统的图像处理。再比如，各种美颜，Photoshop里的各种演算法也大多是传统演算法。

我猜你想问的不是图像处理领域，是想问图像识别领域，这个领域深度学习的应用多一点。

在图像识别这块，那自然是看适合用深度学习还是适合用图像的演算法。比如识别图像里是猫还是狗，那自然用深度学习，但是如果是识别二维码，那自然用传统演算法。

选择哪种演算法取决于你的数据，你的应用场景，演算法运行的平台，对精读和准确度的需求，以及你的开发成本。

如果深度学习能取得更好的精度(满足速度要求)，那么选择深度学习吧，这是趋势。卷积神经网路已经从以前的特征提取到现在的end2end解决方案，确实解决了传统视觉无法解决的问题。但现在不能说传统方法就过时了，深度学习也有无法解决的问题，思想是共通的，可以相互借鉴，传统演算法可以作为基础理论，融合到深度学习。深度学习的发展不仅需要解决方案的创新，也需要基础理论的创新。就目前看深度学习已经融合了不仅是传统演算法，数学，资讯理论等，以及智能演算法都有进一步结合。深度学习已经应用到各行业各领域，且细分技术众多，依然充斥著各种挑战(道高一尺魔高一丈)，距离中级智能要有很长的路要走。作为一名深度学习从业者，很庆幸踏入时代的洪流，这是一条光明的道路，我们一起努力吧。

在深度学习刚出来时，业界新兴的很多自动驾驶公司以为和mobileye的差距逐渐缩小，甚至可以拉平。但事实是，mobileye积累的传统演算法和深度学习演算法相结合的产品，依旧碾压一众只做深度学习演算法的公司。

所以回到题目，传统演算法何去何从？传统演算法依旧需要深入挖掘，寻找深度学习和传统方法的结合点，从问题本身出发，寻找最适合的方法而不是为了使用深度学习而用深度学习。

以上。

推荐阅读：
相关文章