计算机视觉分析：传统方法 VS 深度学习

在 ICCV 大会上，六名顶级人工智能、计算机视觉科学家关于深度学习与经典方法进行了讨论。Richard 博士讲到，从事CV研究的不仅要学深度学习方法，还要学习传统的CV算法。尤其是在可解释要求高的场景，深度学习方法往往不能满足需求。

相较于深度学习，传统方法对问题的分析比较透彻。经典的CV方法对问题的描述与理解更加清晰深刻，传统CV方法中的每一个概念都是深入理解深度学习方法不可或缺的基础。

比如：熟悉图像滤波会更容易理解卷积神经网络为什么有效；残差收缩网络将传统方法中的软阈值思想融入进残差网络ResNet；PWC-Net将光流法和用于提取特征的神经网络结合。将经典方法与深度学习方法结合，是近期各大CV顶级会议的一大趋势。每一位致力于长期在CV领域发展的工程师，都不可能摒弃对CV传统方法的研究和学习！

那么我们到底该如何系统地学习CV传统方法，并打下扎实和牢固的基础呢？

很多小伙伴们都已经发现，虽然平时收藏了很多干货合集，知识体系的搭建依然零散杂乱，难以抓住CV研究的主要脉路。

为了解决这一难题，帮助大家更快更稳入门CV领域，深蓝学院教研团队联合原中科院自动化所的老师们经过潜心打磨和沉淀，推出了《计算机视觉应用基础》课程，帮助大家在CV道路上更加高效学习并实现创新。本课程不但会围绕图像分割、目标跟踪、检测识别方法这些经典任务，对传统方法展开详细讲解，并且配套基于C++以及Python的两个版本的代码实践！