机器学习入坑者（AI研究生）回答：
如果仔细看每年顶会论文的接收情况，就会发现投稿机构的集中趋势：
互联网公司的AI研究院
top大学的计算机系
这一切，都只因为“算力不平衡”。
深度学习在CV领域全面开花，通过单机MATLAB创造优秀模型的日子一去不复返，同样的idea，GPU定胜负：
GPU多则网络容量更大，拟合和泛化能力有可能更强
GPU多则batch_size更大，模型效果有可能更好
GPU多则必然调参更快，你做10天的实验别人可能1天就完成了
对于小实验室和小公司来说，没有GPU意味着输在了起点。即使竞争对手比你多几张卡，最终定量评估指标就比你高出一大块。
对于学术界来说，想到一个厉害的idea后，实验需要：
2个以上数据集
3种以上对比算法
多个超参数调试
算一算，需要多长时间？运气好、思路清晰、编程能力强也要至少两个月，算上后期论文写作、修改、润色，就要半年。对于别的领域半年一篇论文完全没问题，但是全民cv时代，你的对手可能已经抢先发表了这个idea，因为卡多。
对于工业界来说，缺卡等价于没钱，没钱则无法支付数据搜集、清洗、标注所需的巨额成本。
对于学术界和工业界来说，同等任务下：
卡少意味着开发周期比对手长
卡少意味着模型参数数量和可用数据量比对手少
所以，最好避开人脸识别、行人识别、广告推荐、图像检索、超分辨率等热点领域，选择cv领域中对模型容量和数据量不敏感的分支，比如图像去雨（卡少、数据少、非热点领域）。
CV主要分成两个派系：
热点派：卡多、数据多、员工多、竞争对手多
非热点派：卡少、数据少、员工少、竞争对手少
对于学术界和工业界的这两个派系来说，结合自身情况完全能出成果，并不会不看好CV方向。倒是相反的，CV方向更容易出论文，而且丰富的资料使其上手更加容易。
我觉得，不看好CV方向的人，可能是第三个派系：卡少，但是想做热点，想和行业大佬pk。
题外话：模型压缩技术、小样本学习和轻量级网络似乎很有前景，或许未来这些思想会减轻CV算法对“算力”的依赖。
陈历飞（Facebook机器学习工程师）回答：
长期看好，短期谨慎。
随便翻开一个深度学习入门课程，你都会看到一个叫“手写数字识别”的项目——堪称人工智能领域的hello world。
调调CNN，跑跑ResNet，自我感觉良好，似乎每一个AI从业者，都可以是CV领域的带师。魔改一下model和loss，换个应用场景和benchmark，再加个时髦的Gan，一篇paper就呼之欲出了。
那为什么，会开始有人不看好现在的CV方向了呢?
个人认为，CV在科研领域依然在如火如荼的发展，但是在工业界，遇到了AI领域通病：落地难，不挣钱。CV领域的落地，我随便列举几个：
1、无人车
2、AR VR
3、内容理解
4、传统领域赋能（教育，安防，医疗。。。）
无人车领域是最重CV的方向，集结了大量CV人才。比如LZ提到CV的目标检测，就是无人车领域很实用的一个方向。然而，无人车还在发展初期，已经倒了很多，剩下的勒紧裤腰带，不可能招募太多人，要也是要的能突破关键技术的大牛，如果你不是赫赫有名的名校实验室学生，很难在竞争中脱颖而出。
AR, VR，和无人车一样，同样是在早期。同样的CV目标检测，可以去支持抖音上面各种时髦的特效……但然后呢？就算性能提升一倍，对这个商业模式、应用场景的影响也是有限，不能像广告、推荐能给公司带来直接量化的收益。公司需要考虑性价比，对抖音这样大公司尚且如此，小公司可能就直接上商汤API了，都不需要招CV的人。
内容理解，国外在这一块投入很大，但国内情况或许不一样。据说国内的每一条内容都有人工审核，人力便宜，直接上“真人工”智能了……
综上所述，我并不是看衰CV，只是对想要跟风的CV新人提个醒，而真正的有志者并不会因此而被劝退。身为CV从业者，我依然相信这是一个很棒很有想象空间的好方向，一起共勉吧！
文章转载自知乎
文章推荐