资料来源：https://www.zhihu.com/question/383486199
整理：深度学习和计算机视觉
声明：本文仅供学术交流。如有侵权，请联系删除。
作者：匿名用户https://www.zhihu.com/question/383486199/answer/1152839921
毕业是一个很好的方向，因为很多工业问题都刷过拟合CV，比如检测水泥裂缝，这是一个很没有CS的方向。基本上是传统的降维方法，注入无伤大雅的SCI/EI还是没问题的。不过最好不要找CV方向的工作，容易被打。业余时间灌点水毕业。平时好好刷C /Java和Leetcode。毕业后找发展方向的工作，是我最推荐转行的人走的路，也是有硬学历(双非学历)的人最容易走的路。
严肃点：
CV方向还有很多没解决的问题，coco的准确性就是一个典型的例子。要把精度从50提高到70，80，甚至到imagenet的水平，需要的可能是基础理论的突破，而不是网络上的修改。然而，研究人员的能力是有限的。初中生在CV方向拉入门门槛就能入门，在github上拖个模型也能有不错的效果。在这个阶段，一个研究者很难从“宝霞”的庞大基数中脱颖而出。很有可能最后三年研究生毕业后，你会发现自己在‘简历从业者’的洪流中毫无优势。
另外CV的落地场景也很有限。虽然无人驾驶、人脸识别、工业机器人、医学图像检测等方向。看似浩瀚，其实近几年车企一直不景气，无人驾驶之路一点都不轻松。人脸识别成为了一个亟待解决的问题，并且已经大规模实现。机器人和医学影像检测还处于梦想阶段，商业化还很遥远。行业内工作岗位不多。
总而言之，CV现在处于一个门槛低，从业人数多，职业少的尴尬境地。一方面，大量学生涌入；另一方面是不景气的经济环境和越来越满的工作岗位。如果你的目标是就业而不是研究，那么我建议你打好发展基础，和一些项目代码加起来一万行的所谓CV从业者划清界限。
作者：陈
长期乐观，短期谨慎。
打开任何一门深度学习的入门课程，你都会看到一个叫“手写数字识别”的项目，——，在人工智能领域可以称之为hello world。
调CNN，跑ResNet，自我感觉良好。似乎每个AI从业者都可以成为CV领域的老师。看看magic change的模型和损耗，换个应用场景和基准，再加个时髦的Gan，一篇论文就搞定了。
那么，为什么会有人开始看不起现在的CV方向呢？
个人认为，CV在科研领域还在如火如荼的发展，但在业界却遇到了AI领域的通病：落地难，不赚钱。CV场的登陆，我只列举几个：
1.无人驾驶车辆
2、AR VR
3.内容理解
4.增强传统领域(教育、安全、医疗)的能力。)
无人车领域是CV最重要的方向，聚集了大量的CV人才。比如LZ提到的CV的目标检测，这是无人车领域非常实用的方向。但是无人车还处于发展初期，已经跌了不少。剩下的都勒紧裤腰带，不可能招太多人。有能突破关键技术的大牛也很重要。如果不是著名的实验生，很难在竞争中脱颖而出。
AR，VR和无人车一样，也是早期。同样的CV目标检测可以在Tik Tok上支持各种时髦的特效……但那又如何？即使业绩翻倍，对这种商业模式和应用场景的影响也是有限的，不能像广告、推荐那样给公司带来直接的量化收益。公司需要考虑性价比。即使是Tik Tok这样的大公司，小公司也可能直接去商汤API，不需要招CV的人。
了解，国外在这方面的投入很多，但是国内的情况可能不一样。据说中国每一条内容都有人工审核。劳动力是廉价的，所以它直接去“真正的劳动”的情报.
其他传统领域(教育、安保、医疗。我个人认为核心价值是领域知识、政府关系和商业资源。CV技术？那只是锦上添花。讲好故事提振估值。技术的提高？说明销售不仅仅是靠他的嘴有用。
综上所述，我不是看不起CV，我只是提醒想跟风的CV新人，真正的有志者不会因此而被劝阻。作为一个CV从业者，我依然相信这是一个很棒很有想象力的方向。让我们互相鼓励吧！
作者：朱宝道士https://www.zhihu.com/question/383486199/answer/1190760008
首先，观点：长期来看，我看好CV方向。
我部分理解现阶段CV不被看好的论调，试从我的角度解释为什么会有这个论调。
首先，你为什么部分理解这个论点：
1.做CV门槛低，科研相对容易做。有了GPU，可以做很多事情，论文也相对容易发表。从事CV相关科研的学术界和产业界人口基数大且呈快速增长趋势(尤其是学术界)，导致每年培养的研究生数量快速增加，就业岗位开始“绰绰有余”。
2.前几年人工智能(以CV为代表)的泡沫吹得太大了。不可否认，人工智能带来了技术和应用的提升，但资本界和产业界的人，尤其是非计算机专业的人，都在夸大其词。前几年钱好拿，大家自然变得粗糙。从去年开始进入冷静期，今年疫情又发生了。简历需求短期下滑的痛苦难以避免。
3.CV虽然可以提高行业内的应用精度，但更多的是“锦上添花”而非“至关重要”。这也是迪法恩斯、商汤等CV龙头企业在行业内一直不温不火的原因。还有技术上的进一步突破，打开工业应用的天花板。
二、说为什么长期看好：
1.人类80%以上的信息来自视觉系统。试想一下，如果人是隐形的，现在社会生活中有多少可以做的事情会变成不可能。李菲菲教授在cs231n课程中也提到，人类之所以不同于其他生物，能够进化到更高的层次，其中一个重要原因就是人类发展了视觉系统。从这个进化逻辑来看，CV目前在社会生活中并没有如此重要的地位，主要是因为目前的分析技术还没有达到，而不是因为CV不重要。随着社会的发展，技术终将进步，CV的重要性不断提升是必然的。
2.科学技术从技术突破到广泛应用有其周期时间。近十年来，基于监督学习的深度学习技术在视觉目标检测方面取得了突破。回顾十年前的目标探测技术，我们会发现。现在，这些技术也已经能够改善与医学图像处理、人脸和工业视觉相关的一些应用。但从全面改变这些领域的应用范式来看，还有比较长的路要走。毕竟技术只是一方面。此外，近年来，半监督/无监督深度学习技术也在快速发展。这些技术取得突破后，将为技术的广泛应用打开更多的窗口。总的来说，利用CV技术改变社会生活是一个不可逆转的方向。
第三，最后，我想提一下对CV方向新行人的几点建议：
1.更深入地了解。不要只做心理咨询师，这个门槛真的不高。现成的数据，现成的框架，跑个好业绩，真的不难，不构成核心竞争力。打好基础，可以手写卷积等基本运算吗？能否一步步推出大网络的梯度传导计算？
2.不要只想着深度学习，在图像处理和相关基本功上打好基础。深度学习是一种相对有保障的方法，但对数据和计算资源要求较高。社会各方面都有很多地方可以通过CV技术来改善。首先，具体问题具体分析好。如果可以用比较简单的方法解决，部署起来又稳定又便宜，为什么还要深入研究呢？
作者：https://www.zhihu.com/question/383486199/answer/1178983517,《歪在一个呆中间》
Cv，nlp，语音等。都是好找工作的，但不是说火车网就是cv，mlp的bp算法就是专家，cnn的，rnn的，lstm的。很多人都知道网络架构，这让他们感觉很棒。他们无法处理复杂的数据集并给它们贴上标签。分布式训练，大数据集需要读取和训练，他们连底层优化都做不到，就是拿别人的基线去改。在理论代码上下功夫的人太少了，所以cv还是缺人，人工智能方向也是缺人。现在的人都觉得人很辣。其实大部分都是水。现在硕士真的没必要不用算法去找了。算法工程师的前提是工程师。
Cv还是缺人。为什么现在nlp感觉比cv好找？原因很简单。nlp还没有被深度学习完全取代。传统的算法是需要学习的，而那些数学基础很少的NLP是学不到这门学科的，自然就被骂掉了。但是cv里面有一些地方是需要很多基础的，但是目前这个方向的学习太肤浅，太浮躁。不过现在降温了，公司不是养闲人的地方。公司也不需要你推配方，大部分研究建实验室，找医生。至于cv工程师，企业需要的是代码能力理论分析能力过硬的人。
作者：匿名用户https://www.zhihu.com/question/383486199/answer/1204285642
多说一句内卷
不管CV是不是NLP，即使计算能力足够，模型的容量也是0.10-3.104.010倍，最后体现在点数上，可能比现有模型没有太大优势。最早最老的Google BERT还是很香的，别说就算是BERT在很多地方也不一定能流畅运行。
先说应用。为了进一步扩展CV的应用，有必要发展基于视觉的理解。许多应用程序只给出一个标签是不够的。更常见的应用是通过视觉输入映射到更多样化的决策空间。由此产生的问题是数据的生产更复杂，产出更低，QA更复杂。这样一来，问题更复杂，数据更少，鲁棒性也有保证。
如果继续做现有的成熟任务，对于每个公司来说，除了PR，营收真的很少。烧钱的研究最终还是要靠商业需求来买单。如果你是AI公司的老板，有固定的HC，你觉得你找的是工程师还是销售？答案显而易见。
且不说现在新冠肺炎在全球肆虐，最近两年每家公司的研发一定是重灾区。
作者：俞腾3359 www.zhihu.com/question/383486199/answer/1190361261
首先，CV！=DL
所有的计算机视觉问题都要通过深度学习来解决，这是一种误解。
除了深度学习，CV还有很多研究和实用的方向，比如SLAM、传统机器视觉、双目视觉、全景拼接等等。它们在行业中的应用越来越多，比如扫地机器人的视觉SLAM导航。
甚至深度学习，每天都有那么多创新的网络和应用。
小领域深度学习的论文越来越难发表，并不等于CV行业的没落。希望题主们不要一概而论。
作者：安叔叔https://www.zhihu.com/question/383486199/answer/1173287233
个人认为现在不看好cv方向的人主要有两类。
第一种：对cv领域期望过高的投资者，AI泡沫被某些始作俑者看得太惨了~
类型二：对竞争激烈的cv领域望而却步的新手~
社会上的每一种现象都有其深层次的原因~
1.期望很高。cv大火之后，确实极大的推动了感性智能的历史进程。但由于媒体的高度关注，或许还有无意识的支持，大家都高估了cv新技术对行业的积极改善能力。
2.增速放缓。当学术前沿的某个领域没有突破的时候，一定会导致这个领域锻造的积累期。灰心的不做一些急功近利的考虑，希望选择即将爆发或者即将爆发的热门领域。
3.就业。当一个学术上的突破给行业带来的改变有限，当产品的升级给普通大众带来的便利和实用价值有限，就会导致这个领域的就业竞争非常大，进而影响到在这个领域学习的人的选择。当然我觉得cv在产学研的道路上大有可为~相信技术创新和产品创新会在不远的将来~
总之，cv是一个刚需领域，cv还是很有学术价值和潜力的。多脚踏实地，少操之过急，在这个领域发展的更快更强~
作者：建3359
计算机视觉领域中的目标检测就是在一幅清晰的图像中找到所有的目标。
但业界希望的目标检测是：在可能出现过曝、过暗、模糊、色差失真、图像抖动、部分数据丢失的实时视频流信息中，在保证误检率和误检率的条件下，尽可能以最低的代价找到图像中的有效目标，并学习这些目标在世界坐标系中的关系。
总之工业界和学术界对同一项技术的要求是不一样的~
