傳統(tǒng)CV和深度學(xué)習(xí)方法的比較

摘要：

深度學(xué)習(xí)推動(dòng)了數(shù)字圖像處理領(lǐng)域的極限。但是，這并不是說傳統(tǒng)計(jì)算機(jī)視覺技術(shù)已經(jīng)過時(shí)了。本文將分析每種方法的優(yōu)缺點(diǎn)。本文的目的是促進(jìn)有關(guān)是否應(yīng)保留經(jīng)典計(jì)算機(jī)視覺技術(shù)知識(shí)的討論。本文還將探討如何將計(jì)算機(jī)視覺的兩個(gè)方面結(jié)合起來。評(píng)論了幾種最近的混合方法論，這些方法論證明了改善計(jì)算機(jī)視覺性能和解決不適合深度學(xué)習(xí)的問題的能力。例如，將傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)與深度學(xué)習(xí)相結(jié)合在新興領(lǐng)域（例如全景視覺和3D視覺）中很流行，而對(duì)于這些領(lǐng)域，深度學(xué)習(xí)模型尚未完全優(yōu)化。

1. 介紹

深度學(xué)習(xí)被使用在數(shù)字圖像處理中，解決困難問題，比如圖像著色，分類，分割和檢測(cè)。CNN使用大量數(shù)據(jù)和大量的計(jì)算資源來實(shí)現(xiàn)預(yù)測(cè)的性能，一些被認(rèn)為無法解決的問題實(shí)現(xiàn)了超過人類的精度的解決方案。

是不是深度學(xué)習(xí)就可以解決所有問題呢？是不是它就比傳統(tǒng)計(jì)算機(jī)視覺方法好呢？但是深度學(xué)習(xí)無法解決所有的問題，在一些問題上，具備全部特征的傳統(tǒng)技術(shù)仍是更好的方案。此外，深度學(xué)習(xí)可以和傳統(tǒng)算法結(jié)合，以克服深度學(xué)習(xí)帶來的計(jì)算力，時(shí)間，特點(diǎn)，輸入的質(zhì)量等方面的挑戰(zhàn)。

這篇論文會(huì)提供對(duì)比在DL統(tǒng)治計(jì)算機(jī)視覺之前的傳統(tǒng)方法和深度學(xué)習(xí)的比較。這篇論文會(huì)總結(jié)傳統(tǒng)算法，一些可以作為DL有力的補(bǔ)集，去完成DL不能解決的問題。這篇論文然后會(huì)總結(jié)一些最近的結(jié)合DL和CV的研究，如3D感知，或者說3D點(diǎn)云物體定位，物體檢測(cè)，語(yǔ)義分割等。最后，使得3D深度學(xué)習(xí)獲得在2D上一樣成功的可能發(fā)展方向?qū)?huì)被討論。

2. DL和傳統(tǒng)計(jì)算機(jī)視覺的比較

2.1 什么是深度學(xué)習(xí)？

要獲得對(duì)DL的深刻理解，我們需要去考慮描述分析和預(yù)測(cè)分析。

描述分析：涉及到定義了一個(gè)可理解的數(shù)學(xué)模型，模型描述了我們希望觀察到的現(xiàn)象。模型包括了對(duì)過程收集數(shù)據(jù)，形成對(duì)模式（pattern）的假設(shè)，通過比較描述模型的結(jié)果和真實(shí)的結(jié)果驗(yàn)證假設(shè)。但是總是有風(fēng)險(xiǎn)，因?yàn)閷?duì)某些復(fù)雜的，隱藏或者非直覺性的理解不到位，科學(xué)家和工程師會(huì)忽略了某些變量，使其沒有包含進(jìn)模型中。

預(yù)測(cè)分析：包括發(fā)現(xiàn)一些規(guī)則，這些規(guī)則支持一種現(xiàn)象，形成一個(gè)預(yù)測(cè)模型可以最小化真實(shí)結(jié)果和預(yù)測(cè)結(jié)果之間的誤差，當(dāng)考慮到所有可能的影響因素時(shí)。

2.2 深度學(xué)習(xí)的優(yōu)勢(shì)

DL的快速發(fā)展和設(shè)備能力（包括計(jì)算能力，內(nèi)存容量，功率消耗，圖像傳感器分辨率和光學(xué)）的提高使得基于視覺的應(yīng)用快速傳播。和傳統(tǒng)CV比較，DL有更好的精度，并且需要更少的專家分析和調(diào)參，同時(shí)可以利用如今容易獲得的大量的視頻數(shù)據(jù)。同時(shí)，DL有很好的靈活性，因?yàn)镃NN模型和框架可以使用新的自定義數(shù)據(jù)重新訓(xùn)練，相比較于更局限領(lǐng)域的傳統(tǒng)的圖像處理技術(shù)。

在DL出現(xiàn)前，傳統(tǒng)的CV方法時(shí)通過特征提取，比如目標(biāo)檢測(cè)時(shí)，通過對(duì)圖像的特征描述向量檢索，如果很大一部分特征時(shí)重復(fù)的，則一副圖像就分類含有一種特殊的物體。傳統(tǒng)CV的難點(diǎn)在于必須選擇哪一種特征時(shí)最重要的在每張圖片中。這很大程度上依賴于工程師的判斷和長(zhǎng)時(shí)間的調(diào)試的誤差處理，來決定哪一個(gè)特征可以區(qū)分不同類型的物體。同時(shí)，特征的定義也需要工程師調(diào)參得到。

DL引入了端對(duì)端(end-to-end)學(xué)習(xí)，即機(jī)器只是獲得了已經(jīng)被標(biāo)記上物體類型的圖像數(shù)據(jù)集。因此，DL模型再給定數(shù)據(jù)上被訓(xùn)練，其中神經(jīng)網(wǎng)絡(luò)得以找到背后的模式，自動(dòng)找到最具有描述性和明顯的特征。傳統(tǒng)的提取手動(dòng)特征的專業(yè)知識(shí)已經(jīng)被通過迭代在DL架構(gòu)的知識(shí)和專業(yè)性代替。如下圖所示。

CNN使用核，也叫做濾波器，在整幅圖中檢測(cè)特征。CNN空間上在一個(gè)給定圖片上卷積這個(gè)核，去確認(rèn)要檢測(cè)的特征是否存在。卷積操作通過計(jì)算濾波器和給定濾波器覆蓋區(qū)域的點(diǎn)積實(shí)現(xiàn)。

為了促進(jìn)權(quán)重的學(xué)習(xí)，卷積層輸出相加添加一個(gè)偏置項(xiàng)，然后輸入到一個(gè)非線性激活函數(shù)，如Sigmoid，TanH，ReLU。基于數(shù)據(jù)和不同的分類任務(wù)，激活函數(shù)選擇有所不同。

為了加速訓(xùn)練過程和減少內(nèi)存消耗，卷積層后面經(jīng)常添加池化層來去除輸入特征的多余（Redundancy）。如圖2，一般來說，深層神經(jīng)網(wǎng)絡(luò)也許會(huì)有多對(duì)卷積層和池化層。最后，一個(gè)全連接層展開之前層體積，為一個(gè)特征向量，然后輸出層計(jì)算得分（置信度或者可能性。）。輸出結(jié)果一個(gè)回歸函數(shù)，比如softMax，其映射所有值到一個(gè)向量，其總和為1。

但是DL仍然是一個(gè)CV的工具。最常見的neural networkCNN中的卷積，就是在圖像處理技術(shù)中廣泛使用的技術(shù)。

2.3 傳統(tǒng)機(jī)器學(xué)習(xí)的優(yōu)勢(shì)

傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法使用特征描述子，再結(jié)合SVM，KNN等機(jī)器學(xué)習(xí)分類算法解決CV問題。

DL有時(shí)候矯枉過正，傳統(tǒng)算法可以解決一個(gè)問題以更簡(jiǎn)單，更少的代碼。傳統(tǒng)的算法很簡(jiǎn)單，只是顏色閾值或者像素技術(shù)，但是他們可以非常通用，在各種圖像上表現(xiàn)相同?？梢詫?duì)比的是，DL學(xué)習(xí)到的特征只能基于訓(xùn)練集，不能再除訓(xùn)練集以外的圖像中表現(xiàn)很好。所以，SIFT等算法經(jīng)常用在圖像拼接和3D網(wǎng)格重建中。還有例子，比如分別兩個(gè)不同顏色的物體，DL需要構(gòu)造訓(xùn)練集，然而簡(jiǎn)單的顏色閾值就可以實(shí)現(xiàn)。一些問題可以通過簡(jiǎn)單和更快的技術(shù)，而不是DL。

如果一個(gè)DNN在訓(xùn)練集以外表現(xiàn)很差？如果訓(xùn)練集很小，機(jī)器可能會(huì)過擬合訓(xùn)練數(shù)據(jù)，不能通用化這個(gè)任務(wù)。在這種情況時(shí)，DL模型被批評(píng)為黑匣子。傳統(tǒng)CV有著完全的透明性，可以判斷算法是否在訓(xùn)練環(huán)境外。工程師具備對(duì)于問題的見解，可以轉(zhuǎn)換算法，如果失敗，可以調(diào)整參數(shù)在更大的圖片集中表現(xiàn)出更好的參數(shù)。

如今，傳統(tǒng)算法可以被使用，當(dāng)問題被簡(jiǎn)化到可以布置到低消耗的控制器或者通過加強(qiáng)特征限制問題對(duì)于DL的使用。之后我們會(huì)討論一些傳統(tǒng)的技術(shù)，如何使用來提高網(wǎng)絡(luò)訓(xùn)練。最后，還有很多問題在CV中:機(jī)器人技術(shù) ，增強(qiáng)現(xiàn)實(shí)，自動(dòng)全景拼接，虛擬現(xiàn)實(shí)，3D建模，運(yùn)動(dòng)估計(jì)，視頻穩(wěn)像，運(yùn)動(dòng)捕捉，視頻處理，場(chǎng)景理解，這些問題無法使用DL輕松的解決，但是可以從傳統(tǒng)CV中獲得幫助。

3.傳統(tǒng)計(jì)算機(jī)視覺的挑戰(zhàn)。

3.1 混合手動(dòng)調(diào)整方法和DL獲得更好的表現(xiàn)

這里在傳統(tǒng)CV和基于學(xué)習(xí)的方法之間有清晰的權(quán)衡。傳統(tǒng)計(jì)算機(jī)視覺是完善的，透明的，對(duì)于表現(xiàn)和功率效率優(yōu)化過的，盡管DL以大數(shù)量計(jì)算資源的代價(jià)提供更好的精度和通用性。

混合方法結(jié)合傳統(tǒng)CV和深度學(xué)習(xí)方法，提供了兩種方法的優(yōu)點(diǎn)。這種結(jié)合在需要快速處理的高性能系統(tǒng)中很實(shí)用。

機(jī)器學(xué)習(xí)和深度網(wǎng)絡(luò)的融合已經(jīng)變得非常流行，因?yàn)檫@樣可以產(chǎn)生更好的模型?；旌弦曈X處理實(shí)施可以引入性能優(yōu)點(diǎn)，可以實(shí)現(xiàn)在多累積操作中130X-1000X倍的減少，大約10X的幀率的提高，想比較于單純的DL。進(jìn)一步的說，這種混合系統(tǒng)只需要一般的內(nèi)存容量，只需要更低的CPU資源。

3.2 克服DL的挑戰(zhàn)

DL也存在挑戰(zhàn)。最新的DL方法可以實(shí)現(xiàn)更好的精度，但是這種提升需要以百萬次更多的數(shù)學(xué)操作和對(duì)于處理能力的要求增加。

使用DL的視覺處理結(jié)果也依靠于圖像分辨率。在物體分類實(shí)現(xiàn)足夠的性能，需要一個(gè)高分辨率的圖像和視頻，也導(dǎo)致了需要處理的數(shù)據(jù)增加。圖像分辨率對(duì)于遠(yuǎn)處物體檢測(cè)和分類的一些應(yīng)用非常重要。使用sift或者光流的幀減少技術(shù)（frame reduction），可以首先識(shí)別感興趣區(qū)域，減少訓(xùn)練需要的處理時(shí)間和數(shù)據(jù)量。

DL需要大數(shù)據(jù)。當(dāng)大的數(shù)據(jù)集或者高的計(jì)算能力不可獲得時(shí)，傳統(tǒng)的方法可以參與進(jìn)來。訓(xùn)練DNN需要很長(zhǎng)的時(shí)間。需要很多次迭代，不同的參數(shù)獲得的誤差完全不一樣。最常見的技術(shù)，用于減小訓(xùn)練時(shí)間的是遷移學(xué)習(xí)。傳統(tǒng)的CV技術(shù)，比如離散傅里葉變換，證明可以用來使用加速卷積。

但是領(lǐng)域特殊更簡(jiǎn)單的任務(wù)一般不需要太多數(shù)據(jù)。在預(yù)處理過程中，傳統(tǒng)CV方法用來增加訓(xùn)練樣本。預(yù)處理步驟中可以變換數(shù)據(jù)，使得關(guān)系或者模式，在訓(xùn)練模型前能夠更簡(jiǎn)單的描述。數(shù)據(jù)增強(qiáng)是一種常見的預(yù)處理任務(wù)，用于當(dāng)訓(xùn)練數(shù)據(jù)很少的時(shí)候，包括實(shí)現(xiàn)隨機(jī)旋轉(zhuǎn)，位移，剪切，用來增加訓(xùn)練集。

3.3 利用邊緣計(jì)算

如果在邊緣運(yùn)行算法和神經(jīng)網(wǎng)絡(luò)推理，與基于云的方法比較，可以較少延遲，成本，云儲(chǔ)存和處理需求及帶寬需求。通過避免在網(wǎng)絡(luò)上傳輸敏感或者可識(shí)別的數(shù)據(jù)，邊緣計(jì)算同樣可以滿足私密和安全要求。

混合或者組合的方法，涉及傳統(tǒng)CV和DL利用了邊緣的異構(gòu)計(jì)算能力。一種異構(gòu)的計(jì)算架構(gòu)，由CPU組合和微控制器核心處理器組成。DSP，fpga和AI加速設(shè)備可以分配不同的工作負(fù)載，實(shí)現(xiàn)最有效率的計(jì)算引擎。測(cè)試效果顯示，擋在DSP和CPU上面執(zhí)行DL推理時(shí)，對(duì)象檢測(cè)的延遲減小了10倍。

多種混合CV方法已經(jīng)證明了在邊緣應(yīng)用的優(yōu)勢(shì)。比如，臉部表情識(shí)別有一種新的特征損失，它添加了人工特征到訓(xùn)練的過程中，這是嘗試去減小人工特征和學(xué)習(xí)得到特征之間的差別。使用混合的方法同樣顯示了其利用來自其它傳感器數(shù)據(jù)的能力的優(yōu)勢(shì)。

3.4 不適合DL的問題

機(jī)器人，增強(qiáng)現(xiàn)實(shí)，自動(dòng)全景拼接，虛擬現(xiàn)實(shí)，3D建模，運(yùn)動(dòng)抑制，視頻穩(wěn)定，運(yùn)動(dòng)捕捉，視頻處理和場(chǎng)景理解，這些領(lǐng)域不能直接使用DL的方法，但是需要結(jié)合傳統(tǒng)技術(shù)來解決。

DL方法在解決閉環(huán)(close end)問題時(shí)表現(xiàn)優(yōu)秀，這些問題中潛在的信號(hào)可以被映射到一個(gè)限制的類別中，同時(shí)有足夠的可以獲得的數(shù)據(jù)，訓(xùn)練集和測(cè)試集的數(shù)量十分相似。但是當(dāng)偏離以上假設(shè)時(shí)，就會(huì)導(dǎo)致問題，所以明確哪些問題是DL不擅長(zhǎng)解決十分重要的。DL必須要得到其它技術(shù)的支持。

其中一個(gè)問題時(shí)DL算法學(xué)習(xí)視覺關(guān)系時(shí)局限的能力。比如識(shí)別一幅圖像中的多個(gè)物體是否時(shí)同樣或者不同的。一些文獻(xiàn)證明了包括注意力和感知組是實(shí)現(xiàn)這種抽象視覺推理的關(guān)鍵計(jì)算組成。

同樣的，ML模型很難處理具有先驗(yàn)的模型，意味著不是所有都可以從學(xué)習(xí)中獲得，所以一些先驗(yàn)比如植入到模型中。比如3D視覺具有強(qiáng)的先驗(yàn)才能有效，比如基于圖像的3D建模要求光滑性，輪廓和照明信息。

3.5 3D視覺

3D視覺系統(tǒng)已經(jīng)變得更容易接觸，因?yàn)?D卷積神經(jīng)網(wǎng)絡(luò)的極大發(fā)展。這個(gè)新出現(xiàn)的領(lǐng)域稱為幾何深度數(shù)學(xué)（Multiple Deep Learning），應(yīng)用方向包括：視頻分類，計(jì)算圖形學(xué)，視覺和機(jī)器人技術(shù)。

輸入的尺寸在內(nèi)存上而言比傳統(tǒng)RGB圖像大得多，kernel卷積計(jì)算在3D空間中進(jìn)行。因此，在分辨率上計(jì)算復(fù)雜度立方增長(zhǎng)。3D CV難度在于引入了更多維度，帶來了更多不確定性，比如離散采樣，噪聲掃描，遮擋和混亂的場(chǎng)景。

基于FFT的方法可以優(yōu)化3D CNN可以減少計(jì)算量，但是以增加的內(nèi)存需要為代價(jià)。WMFA(Winograd Minimal Filtering Algortihm)實(shí)現(xiàn)了兩倍的加速，相比較于cuDNN，并且沒有增加內(nèi)存。

幾何深度學(xué)習(xí)處理深度學(xué)習(xí)技術(shù)的到3D數(shù)據(jù)的擴(kuò)展。3D數(shù)據(jù)可以分為歐幾里得和非歐幾里得。

3D歐幾里得有底層的網(wǎng)格結(jié)構(gòu)，這允許全局參數(shù)化和像2D一樣有常見的坐標(biāo)系統(tǒng)。這使得2D深度學(xué)習(xí)樣式可以同樣使用在3D數(shù)據(jù)中，所以歐幾里得更適合分析簡(jiǎn)單的網(wǎng)格物體，如椅子，平面。

3D非歐幾里得數(shù)據(jù)沒有網(wǎng)格化結(jié)構(gòu)，其中沒有全局參數(shù)化。因此，擴(kuò)展經(jīng)典DL技術(shù)對(duì)于這種表示，是一種挑戰(zhàn)的任務(wù)，僅僅最近被PointNet實(shí)現(xiàn)。

連續(xù)的形狀信息，這種有用的信息總是在轉(zhuǎn)換到體素表示時(shí)損失掉。

3.6 SLAM

視覺SLAM是SLAM的一個(gè)子集，其中視覺系統(tǒng)替代雷達(dá)作為組成場(chǎng)景地標(biāo)定位。視覺SLAM具有攝影測(cè)量的優(yōu)勢(shì)，豐富視覺數(shù)據(jù)，低成本，輕便和低能源消耗，沒有后處理中相關(guān)的繁重的計(jì)算工作。視覺SLAM包括環(huán)境感知，數(shù)據(jù)匹配，運(yùn)動(dòng)估計(jì)，場(chǎng)景更新和新地標(biāo)定位。

建立一個(gè)視覺物體如何在不同的條件下出現(xiàn)，如3D旋轉(zhuǎn)，尺度變換，光照變化，從那些代表的變換，會(huì)使用較強(qiáng)形式的遷移學(xué)習(xí)去實(shí)現(xiàn)零擊或一擊(zero-shot one-shot)學(xué)習(xí)。特征提取和數(shù)據(jù)表示方法對(duì)于減少M(fèi)L訓(xùn)練樣本是有用的。

一種兩步方法常常使用在基于圖像的定位中，場(chǎng)景識(shí)別后做姿態(tài)估計(jì)。場(chǎng)景識(shí)別一般是計(jì)算每一幅圖像的全局描述子，然后聚類局部描述子，使用bag of words的方法。然后每一幅的圖像全局描述子，在詞袋中搜索，最匹配的全局描述子提供了一個(gè)查詢圖像的大致的定位在參考地圖中。在姿態(tài)估計(jì)中，查詢圖像精確的姿態(tài)通過一些算法，比如PnP和幾何驗(yàn)證算法，實(shí)現(xiàn)更精確的計(jì)算。

基于圖像的場(chǎng)景識(shí)別很大程度上依賴于提取圖像特征描述子的能力。不幸的是，對(duì)于LiDAR掃描中，沒有一個(gè)類似SIFT算法提取局部描述子。

另外一個(gè)方法，從RGBD數(shù)據(jù)中構(gòu)建了多模態(tài)特征，而不是深度處理。對(duì)于深度處理部分，他們采用了有名的基于表面向量的colouration方法，因?yàn)檫@種方法已經(jīng)被證明是有效和魯棒的。另外一個(gè)方法是利用傳統(tǒng)技術(shù)，如Force Histogram Decomposition，一種基于圖的等級(jí)描述子，可以使得在結(jié)構(gòu)子部分的空間關(guān)鍵和形狀信息被特征化。

3.7 360度相機(jī)

360相機(jī)（也稱為全向或球形或全景相機(jī)）是一種在水平面中具有360度視場(chǎng)，或者具有（大約）覆蓋整個(gè)球體的視野的相機(jī)。全向攝像機(jī)在需要大視野覆蓋的機(jī)器人等應(yīng)用中很重要。360攝像機(jī)可以代替多臺(tái)單眼攝像機(jī)，并消除盲點(diǎn)，這顯然對(duì)全向無人地面飛行器（UGV）和無人飛行器（UAV）有利。由于球形攝像機(jī)的成像特性，每個(gè)圖像都可以捕獲場(chǎng)景的360°全景圖，從而消除了對(duì)可用轉(zhuǎn)向選擇的限制。球形圖像的主要挑戰(zhàn)之一是由于超廣角魚眼鏡頭造成的鏡筒變形，這使傳統(tǒng)的人類視覺啟發(fā)方法（例如車道檢測(cè)和軌跡跟蹤）的實(shí)現(xiàn)變得復(fù)雜。通常需要額外的預(yù)處理步驟，例如事先校準(zhǔn)。

全景拼接是另外一個(gè)開放的研究問題。實(shí)時(shí)拼接方法使用一組可變形的網(wǎng)格和最終圖像，并使用魯棒的像素著色器組合輸入。另一種方法將幾何推理（線和消失點(diǎn)）提供的準(zhǔn)確性與DL技術(shù)（邊緣和法線貼圖）實(shí)現(xiàn)的更高水平的數(shù)據(jù)抽象和模式識(shí)別相結(jié)合，以提取結(jié)構(gòu)并生成室內(nèi)場(chǎng)景的布局假設(shè)。在稀疏結(jié)構(gòu)的場(chǎng)景中，基于特征的圖像對(duì)齊方法通常會(huì)因缺少獨(dú)特的圖像特征而失敗。相反，可以應(yīng)用直接圖像對(duì)準(zhǔn)方法，例如基于相位相關(guān)的方法。

3.8 數(shù)據(jù)集標(biāo)記和加強(qiáng)

有很多對(duì)于CV和DL的結(jié)合的爭(zhēng)論，最后總結(jié)到結(jié)論是我們需要重新評(píng)估我們從基于規(guī)則和數(shù)據(jù)驅(qū)動(dòng)的方法。傳統(tǒng)CV中，我們知道操作的意義，但是DL導(dǎo)致我們需要的只是更多的數(shù)據(jù)。這也許是進(jìn)步，也可能是退步。

最基礎(chǔ)的問題是，目前的研究中，對(duì)于特殊的應(yīng)用中的先進(jìn)的算法或者模型，沒有更多足夠的數(shù)據(jù)。將自定義的數(shù)據(jù)集和DL模型結(jié)合在一起回事未來需要研究論文的主題。所以許多研究者的輸出不僅包括DL算法，也包括數(shù)據(jù)集或者收集數(shù)據(jù)的方法。數(shù)據(jù)標(biāo)記會(huì)是DL工作流程的瓶頸，因?yàn)檫@需要大量的人工標(biāo)記。主要是在語(yǔ)義分割應(yīng)用中，每個(gè)像素都需要精確的標(biāo)記。這里也有很多有用的工具用于半自動(dòng)化這種過程。

最簡(jiǎn)單和最常用的方法來克服限制的數(shù)據(jù)集，減小模型的過擬合是通過人工擴(kuò)大數(shù)據(jù)集，方法是使用保持標(biāo)記的轉(zhuǎn)換(label-preserving transformations)。比如使用裁剪，尺度變換，旋轉(zhuǎn)圖像來人工生成數(shù)據(jù)。數(shù)據(jù)增強(qiáng)過程需要非常少的計(jì)算并且可以在DL訓(xùn)練流水線內(nèi)實(shí)現(xiàn)，從而不需要將轉(zhuǎn)換后的圖像存儲(chǔ)在磁盤上。用于數(shù)據(jù)集擴(kuò)充的傳統(tǒng)算法方法包括主成分分析（PCA），添加噪聲，在特征空間中的樣本之間進(jìn)行內(nèi)插或外推以及根據(jù)分割注釋對(duì)對(duì)象周圍的視覺環(huán)境進(jìn)行建模。

結(jié)論

只知道CV的DL方法，會(huì)很大程度上限制CV工程師的解決方案類型。學(xué)習(xí)DL之前的CV技術(shù)，可以提供一些直覺方面的認(rèn)識(shí)和掌握一些有用的工具。