最近在知乎上有两个问题引起了我的注意：
- 靠OpenCV吃饭的图像算法工程师在深度学习的冲击下冲击下还有活路吗？
- 机器学习中特征提取技术已经被神经网络中的特征提取淘汰了吗？
这两个问题其实非常类似，都是和传统算法和深度算法对比相关。本文我将从竞赛选手 + 从业者的角度讨论的这个问题。
思考1：OpenCV学习
OpenCV涵盖了底层的图像处理、计算机视觉和机器学习相关方法。OpenCV 可用于开发实时的图像处理、计算机视觉以及模式识别程序，提供了开放的C/C++/Python和Java接口。
在图像处理领域和底层图像处理任务中，都会看到OpenCV的场景。但随着现在深度学习逐渐轻量化，可以在很多检测任务中使用。
如果将OpenCV与深度学习相比，我理解是将传统视觉算法工程师 与 深度学算法工程师进行对比。
- 深度算法的优点：如果问题定义清晰，可以很好的解决，精度较高；
- 深度算法的缺点：需要收集数据，验证模型，模型很难解释；
对于视觉算法工程师，仅掌握OpenCV是不够的。OpenCV是一个工具，涉及到整个图像处理、计算机视觉、机器学习等诸多知识。工具本身不重要，重要的背后庞大的知识。
思考2：特征工程淘汰了？
特征工程和模型都是提高精度有效的方式，前者是需要人工经验，后者需要有效的模型。在讨论特征工程，需要考虑：
- 适用的场景
- 数据的类型
- 数据的质量
- 模型有效性
深度学习往往在数据规模比较大时有不错的效果，但深度学习模型落地并不简单，需要考虑模型是否收敛、模型速度、模型精度。
在深度学习精度还不满足要求时，特征工程往往是比较合适的方式，时间精力成本最低的方法就是特征工程。
思考3：特征提取方法
特征是数据突出性质的表现，是区分事物的关键。如何提取有效的特征，关键看你对数据的理解深度。
在未来特征提取方法还不会消失，但常见的数据场景会出现通用的特征提取范式。比如时序数据，常见的特征提取方式未来肯定会更加通用。
思考4：知识与价值
由于知识和技能逐步普世，你会发现技能越来越不值钱了。我们从业者需要思考技能的稀缺性。知识不是越来越廉价，是越来越透明，越来越纷杂繁复。容易的知识从来不值钱……
本文转自：Coggle数据科学，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
