简介
做计算机视觉也已经很久了，说起来接触深度学习的时间却并不是很多。在这一年的时间里，阅读的最新的文献确实大部分都与深度学习相关，这其实给人带来了很大的困惑。——是否，在未来，计算机视觉就一定要做深度学习？
我从网上搜集了一下别人的看法。当然，如果你直接搜索“计算机视觉”，十条检索里有9条半都会涉及到“深度学习”。我从中看到了一篇博客（为什么深度学习仍未取代传统的计算机视觉技术？），18年发表，放到现在可能会有一定的过时，但是还是能体会到不同的关于概念上的区别。在这里摘取并总结有关“传统的计算机视觉”与“基于深度学习的计算机视觉”的区别，希望能给大家选择方向的时候，增加一些参考依据。
1. 区别
下图描述了特征提取（传统的计算机视觉，以下简称“传统”）和端到端学习（基于深度学习的计算机视觉，以下简称“深度学习”）的区别：
那么，传统与深度，分别有哪些算法呢？
传统中，特征提取是很重要的一步，在特征提取过程中，会涉及到比如：边缘检测、角点检测、对象检测等，这些算法都属于传统的计算机视觉算法。传统的难点在于，每张图像的特征不尽相同，不同类别的对象最好要用不同种类的特征来描述。随着所要区分的类别数目逐渐增多，这一类分类和识别问题会变得非常麻烦，甚至难以实现。
深度学习的方法，可能大家掌握的都比较多了，BP，CNN（CNN所用到的卷积，也是传统算法的一种）等各种变形，也是最近几年各大计算机视觉顶会上几乎霸占全屏的内容。不管论文中有没有涉及到“算法”层面上的创新，哪怕只是应用型的论文，也是各种图各种架构、让人看的眼花缭乱。小白表示，真心希望会议论文单独列出一段话，指出论文中的算法创新或者应用创新，像现在每年各大会议几千篇论文，如果都是自己整理和学习，真的会很浪费时间，特别是花了很长时间读完，却发现实际意义寥寥。
2. 可替代性
博主认为，尽管深度学习如此有效，传统依然有不可替代的优势，值得我们继续学习。论点为一下三个部分：
- 深度学习需要大数据
- 深度学习有时会做过了头
- 传统将会提升深度学习水平
如果想看具体的介绍，请从片头的链接中点入。当然，不用看具体分析，只从这三个论据中就能看懂博主所想表达的意思。
但是看完博主的分析后，我自己会觉得，往下面，可能真的要着手去做深度学习了，哪怕不会算法的创新，也应该做到会复现别人的论文。传统的算法可以解决传统的问题，深度学习能解决大数据的问题。掌握传统算法，可以让深度学习效果更好——“预处理步骤主要是通过传统的计算机视觉技术完成的，例如，如果没有足够多的数据，可以进行一个叫做数据增强的处理。数据增强是指对你训练数据集中的图像进行随机的旋转、移动、裁剪等，从而创造出新图像。通过执行这些计算机视觉操作，可以极大的增加你的训练数据量”。
总结
个人认为，能用传统解决的，就用传统算法。不能用传统的解决的，试着能否改进传统算法。
实在是参数太多，算法太复杂的，深度学习在向你招手。
Anyway，学会才能去改进。创新点极其重要。