現在投身于計算機視覺是否明智？

周圍很多大佬都去深造或者工作做CV相關方向。然而看到一種言論，說現在學CV無異于48年加入國民黨，求問此話怎講。

PS 本人本科畢業正要工作，有圖像處理算法崗位offer。水平很菜，對計算機視覺方向很有興趣（也許是跟風，且自動駕駛等等領域的確很容易讓人產生興趣）。

假設僥幸拿到CV相關offer（或者machine learning/deep learning崗位）那么是否應該果斷加入。（因為圖像處理算法可能相對傳統一些）

作者：匿名用戶
https://www.zhihu.com/question/317440183/answer/683203621

有多少人工就有多少AI，我相信各位真正的從業者是最清楚這點不過的，論文滿分的模型現實情況下基本沒法直接跑模型了事，必需跟隨大量的數據和集成工作。目前AI飽和主要在于產業市場還沒有起來，但是一旦其需求大起來，對應的人才要求也會變多。至于未來市場怎樣，就不是我等工程師能預測的了。但按照《人類簡史》中的說法，現代社會經濟建立于對未來的信用上，現代經濟要繼續發展，必須有新的技術可以推動生產，至于這個技術是物聯網，5G，AI，AR，基因工程中的一個還是多個，也不好說

以下是原答案

有一段時間在一家創業公司做CV，當時碰壁很多，人臉市場由巨頭把持，基本不太可能與其競爭，我們當時打算做遙感AI，農業AI，后來發現處于數據精度問題，基本無法落地，后來整個組不得不轉型做大數據外包。當時我的想法是，CV真的是泡沫。

后來到了國內某設備商做算法，發現CV可以用的地方不要太多了，降噪，定位，超分……CV從來不是單單指人臉這一塊，哪一塊都可以做，而它們又有相通之處，可以入的方向還是很多的。

之前和某些明星公司也有接觸，可以說，實在的落地效果和競賽榜單有天囊之別，在榜上刷的接近完美的指標，落地下來不足50%也是常有的事情，外界環境稍微差一點，算法效果非常恐怖，更別說性能……實際上算法領域如何在工程界落地，還有很長的路要走。實際調優的過程，的確和經驗積累有關。有的時候因為算法流程的設計，有經驗的工程師能夠很快發現哪個流程有問題需要改進，這些慕課上是不會告訴你的。個人認為，CV本質上考察的是對系統的了解程度，對數據的了解程度，從來不是某個特定的算法。

如果能做到對系統了然于心，對性能優化（這也是必須根據設備考慮的問題）有深入了解，這樣的人才是真的很缺。

作者：CPAPCF
www.zhihu.com/question/317440183/answer/794570674

說48年加入國民黨只因把cv限制在了2D分類/檢測/跟蹤任務里。這些傳統任務確實早在16年甚至更早就接近problem solved，任務明確數據標準方法成熟。現在刷榜也只有微小提升。畫地為牢當然沒搞。

且不說什么concept extraction/self-awareness/vision+language那套純煉丹的玄學意識流，vision的共同問題是什么？是從圖像分析信息，那能從圖像里分析光照/材質/光源位置性質嗎？能從圖像里分析物理系統做受力分析判斷受力點支撐面嗎？能從圖像分析物體運動狀態嗎？能從圖像分析物體內部結構預測應力形變嗎？

再從方法來說，純煉丹就一定最好嗎？vision傳統的geometry理論和物理基礎規則為什么要棄之不顧拿去讓煉丹從頭approximate？

然后從輸入的角度看，雙目做過嗎？多目會有提升嗎？單目能做嗎（btw, 單目+純煉丹是邪路）？別的sensor呢？比如MRI掃描信號？電子顯微鏡掃描信號？雷達？雷達陣列？聲納？

我只是舉了一些非常片面的例子，但哪怕把上面這些暴力排列組合一下這都多少可能性了？

宏觀來說，vision在工業上的應用絕不會停止也從沒有停止。舉個例子，我們今天能在超市里買到的整齊又便宜的紅蘋果和盒裝雞蛋，哪怕薯片，更不用說pcb和芯片制造，都是靠70-80年代開發的vision系統，才得以實現大規模流水線生產，然后降低成本和普及。vision內部流派可能會起起伏伏，跟不上市場需求的會很快暴死。但只要有外部市場demand，只要有資本家拿錢提出問題，就總有人能為錢做出解決方法，vision就絕不可能停止發展。ps，煉丹可能會死但vision絕不會死 :

作者：Encoder
https://www.zhihu.com/question/317440183/answer/684387715

視覺是人類最重要的感覺，人類認識外界信息的80%來自視覺，視覺的認知機制也最復雜。因此，計算機視覺（computer vision），也就是利用各種成像系統代替人類的視覺器官作為輸入手段，通過分析圖像生成關于成像物體和場景的描述，使得計算機像人那樣觀察和理解世界，以具有自主適應環境的能力，始終是人工智能的一個重要組成部分。

計算機視覺已經走過了半個世紀的風風雨雨，從借用信號處理的概念、將圖象視作“二維信號”而進行分析，到逐步發展出一套包含預處理、特征提取、目標追蹤、三維重建等等方向在內的完整的領域，再到機器學習、深度學習方法的廣泛運用，可以說，無論是過去、現在還是未來，計算機視覺領域都有大量的工作可以做，有大量的難題需要突破，也有大量的激動人心的寶藏、尚待我們去發掘。刷臉支付、無人駕駛、無人機航拍、手術機器人等等我們耳熟能詳的應用，都與計算機視覺息息相關。

計算機視覺發展史

Faster R-CNN 用于目標檢測，see https://arxiv.org/pdf/1506.01497.pdf

是否投身于計算機視覺的科研和工作，當然首先有賴于自己的興趣。另一方面，“全民AI”“全民CS”甚至“全民CV”的確是造成了計算機視覺方向人才供過于求的情形，大量的學生和從業者的涌入，很有可能會造成內卷的情況；人才飽和、甚至所謂的“泡沫破滅”也并不是不會發生。然而從普遍意義上說，在人工智能時代的浪潮中，作為計算機相關專業的學生，無論是選擇繼續科研還是進入工業界，計算機視覺都仍然是一個既有廣泛的應用前景（錢景），又容易激發興趣、引人入勝的方向。

題主的擔心其實也有道理，因為，盡管智能化這個大的趨勢是不會變的，但是在這個大趨勢的過程中，起伏依然是不可預知的，甚至也是不可避免的。經濟學告訴我們，過度擴張就會帶來收縮，過熱就可能在未來遇冷，這是行業本身調節的結果，也是行業健康發展的保證。越是站在浪潮之巔，越要保持冷靜清醒。作為CV領域的研究者和從業者，我們要準備好應對未來幾年可能出現的轉冷局面，應對可能出現的CV行業人才飽和、就業困難的窘境。我想主要的還是要做好以下幾點。

第一，傳統算法不可偏廢。

舉幾個例子：

盡管基于深度學習的特征提取方法取得了很大的成功，但傳統的特征提取算法，例如Harris角點，SIFT, SURF等等，仍是需要認真學習的。

圖像預處理的方法，包括圖像的濾波、分裂、歸并、分割以及形態學處理等等，也可以與深度學習方法相結合，例如dilated CNN就可以看做形態學操作與CNN的結合。

SVM, KNN等等經典的機器學習算法在CV中的應用也不可忽視。

傳統的計算機視覺和機器學習算法依然在很多場景下有用武之地，這些算法不僅在工程上有穩健的性能，而且相比于深度學習算法，在數學上也有更清晰的解釋。因此，深入理解這些經典算法的思想，對于我們改進既有算法和提出新算法，也是很有啟發性的。

第二，重視數學、重視編程。

我們需要有一批不滿足于import cv2, import torch, import torchvision，不滿足于機械調參，不滿足于堆砌網絡結構的研究者，能夠提出一套嚴密的指導性的理論，改善目前深度學習中以試湊調參為主來達到目標的訓練方式。我們需要思考能否在底層實現上做出改進或提出新的算法，而非簡單地將既有算法排列組合。在數學和編程方面的積累，盡管需要下苦功夫，也不一定能夠立竿見影，但是最終一定會惠及你未來的發展，無論在科研還是工作上，都能讓你行穩致遠。

第三、推動CV真正落地。

許多行業都積累了大量的圖像信息，需要借由計算機來輔助甚至部分代替人腦對圖像進行處理和解釋，都有用計算機代替人去“看”的剛需。從圖像預處理、圖像特征提取及分割，到物體的幾何模型與圖像特性表達，再到對物體和周圍環境的理解，都有廣泛的應用場景。我們要避免空對空的灌水，要讓CV更好地從實驗室走入千家萬戶，真正應用于實際的生產生活的場景之中，真正拉動經濟社會各個部門、各個方面的發展，真正成為我們每個人生活中不可或缺的一部分。

總之，投身于計算機視覺不失為明智之選，面對競爭的關鍵不在于躑躅猶疑，而在于增強自身的競爭力。計算機視覺的舞臺足夠廣闊，將計算機視覺的理論與應用相對接、算法與工程相融合、精確與快速相平衡、簡潔與清晰相印證、優美與實用相增益，始終激勵著一批又一批有熱情、有韌勁、有定力、有決心、有才華的研究者，扎扎實實地做出成果，特別是讓計算機視覺更好地與各行各業相結合，真正助力經濟社會發展，也使得我們的生活更加便捷。

作者：JohnMason
https://www.zhihu.com/question/317440183/answer/688971077

不邀自來。

計算機視覺方面的現狀：工程師很多，研究人才稀缺

這可能是現在計算機方面的整體情況，大部分領域都是這樣，研究人才稀缺。

那么造成這種情況的原因是因為：

1、相對其他行業來講資薪較高。

2、熱度高，人氣盛。

3、入門相對其他方面來講較容易。

如果拿到CV相關的offer，可以考慮按照這樣的方式來：

1、學習有關類的編程（python、Cpp）。

2、大概有一定的基礎后可以開始考慮框架（TensorFlow、Keras、Caffe、PyTroch等），具體的框架可以自己進行比較。

3、學習關于《機器學習》、《深度學習》的知識。

4、可以嘗試做一些簡單的項目。

5、確定方向，閱讀該方面的論文，實現該論文的網絡結構。

但是，入門相對來說比較簡單，而且工程師的人才過剩。缺少的是相關的研究人才。如果想要進入研究方面，需要一定的數學知識和邏輯基礎。在數學和邏輯之上要多閱讀論文，講最新論文中的結構復現，理解其中的原理。