从去年工作到现在，从传统视觉领域到后来的深度学习的研发，也算略有心得。
传统的视觉算法的优点在于有很好的解释性，在现场跟客户交流的时候，什么能够检出，什么不能检出，为什么不能检出，以及通过哪种方法可以改善。缺点也很明显，对环境的要求高，运用范围比较窄，参数多，客户使用极度不方便。
而深度学习算法却恰恰相反，对环境要求不是很高，运用范围比较多，客户使用及其简易。但是可解释性不强，经常有人问我为什么小的目标能够检出，明显的大的目标却无法检出。我哑口无言，虽然算法是我写的，但我也不知道具体的这个网络学到了哪些特征。失去了可解释性后，就出现了客户的不信任，这也许是最大的难点，即使深度学习比传统算法准确率高一些，但不可控的事物，人们总是无法信任。
好了，具体的讲讲计算机视觉吧。
传统算法，没啥好讲的，opencv上基本都有，会用就行（这里介绍一本书《opencv3编程入门》），至于一些其他的传统视觉算法，大都可以借助opencv来实现。
深度学习的算法，目前接触的比较多的是分类，语义分割，目标检测。实例分割我没有接触过，毕竟我做的不是无人驾驶这一领域。先从分类开始谈谈吧，分类网络挺简单的，但是却也是最重要的，是后来分割，检测等深度学习网络的基石。从vgg到resnet，再到现在的xception，这是我比较推荐的三种网络。去掉分类网络的全连接层后的网络，将它称之为基础网络。基础网络关系到一个网络拟合能力的强弱。（拟合能力不等于提特征能力。ps：个人观点）。
语义分割网络，本质上一种基于像素点的密集分类网络，它与分类网络的区别在于将全连接层换成了解码层，就是这么简单！！！如果之前分类网络做过特征热力图分析的，可以更加直观的感受分类网络是如何运用于分割网络的。语义分割中，我比较推荐的是Unet，FCN,deeplab这三种网络。没啥好讲的，懂了分类网络后，再看看上采样，没什么新的知识点可以学的。
目标检测网络，分两种一种是端到端的网络，一种是两端网络。端到端的网络有SSD，yolo这两种，至于其他的看看就行。这两种网络最欣赏的是SSD网络，个人感觉SSD的架构更好，唯一缺点受限于当时的基础网络的理论，基础网络的提取特征的能力偏弱。至于yolov3，个人感觉借鉴了SSD的思路，但是darknet这个基础网络，啥都不说了，都是泪，建议换了吧。两端目标检测集大成者，faster-RCNN，完美！！！RPN层简直鬼斧神工，虽然我一直在拜读他的论文，但依旧没有搞懂，它的ROI层的反向传播机制。何凯明大神是真的厉害！！！
好了，三种网络都讲完了，还想说说深度学习的一些坑点，深度学习千万别什么都相信论文，论文上的一些数据和结论有些是不可信的。多做做实验，别迷信论文，大胆的按照自己的知识，实验的结果，数据集的需求改网络，而不是浮于表面的调调参数！！！
如果想提高算法的预测能力的话，有些时候换算法还不如修改数据集！！！
好了，讲完了，这是对我之前工作的一次总结，我又跳槽了。新的东家没有AI的基础，这也是我最欣赏的一点，我这次去需要独立将Ai架构搭好，将AI的团队组好，挺有挑战的，祝我能成功的平地起高楼。
