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