深度学习与传统图像识别

深度学习与传统图像识别

概述

传统方法中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。

深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。缺点是样本集影响较大，算力要求较高。

（1）大量冗余的proposal生成，导致学习效率低下，容易在分类出现大量的假正样本。（2）特征描述子都是基于低级特征进行手工设计的，难以捕捉高级语义特征和复杂内容。（3）检测的每个步骤是独立的，缺乏一种全局的优化方案进行控制。

随着卷积神经网络，计算机能力及计算机视觉等方向的发展，基于深度学习的图像识别已经在精度和实时性方面，远远赶超传统图像。

两种都有优点，都有弊端，深度学习做识别，精度高，不然大佬们还再搞传统的一些办法，特征提取的过程是自学习的，泛化能力比较强，但是需要大量的训练标注数据，对硬件要求高。传统方法实现相对简单，对硬件要求低，但是往往精度差，泛化能力弱。个人认为两手抓，不要什么都是深度学习，摒弃传统办法，在产品中往往两种方式结合的较多。

深度学习也不是万能的，具体效果还是要根据具体情况。深度学习的优势在于从万千数据中自动找寻特征。对于零件质检领域，由于背景固定且简单，传统方法通过边缘检测，梯度直方图等方法也能实现很不错的效果。但是对于诸如识别一只猫这种图像识别任务，传统方法很难找到一种鲁棒性特征