传统高精度机器视觉与深度学习机器视觉如何结合?

从一定角度来说，在某些方面比如目标检测，使用深度学习方式应该是全面压倒使用传统高精度的算法的。理由有以下几点：

1. 在某些确定情形下，或许传统算法可能表现得优于深度学习算法，但是其鲁棒性从原理角度来说是无法媲美深度学习算法的，因为特征是人为设定的，在面对“噪声”干扰时，除了进行人为修正设定特征这种办法外没有其他方法论可使用；反观深度学习算法，由于是端到端思想，特征的设置完全由网络去学习，一般而言其包含的特征数目要远大于人为设计的传统特征，那么从理论上来讲它的鲁棒性就更强；另外，即便出现异常数据的情况，从理论上来讲只需要做数据增广即可，难度上较之人为设计特征修正要简便的多。

2. 从使用的硬件消耗来说，由于深度学习模型存在共享参数等有利机制，并且还可以结合推理等手段来降低消耗，目前经典的模型其计算消耗已经很小了；而与之对应的，完成类似功能，达到相当水准的传统算法有一些则很难以加速优化。

3. 使用传统算法可解释性虽然很强，但是传统算法存在着算法本身理解难度较大（相对的），调参复杂，上手困难的特点，不利于初学者；深度学习模型基本上搞清楚输入，输出，在参数未经细致调节的情况下也可以获得一个马马虎虎的结果，但传统算法就算了。

总结一下：在简单、固定的情形里面，传统算法或许能在计算资源消耗上优于深度学习，但是算法的表现最多只能是媲美训练perfect的深度学习模型；但是在复杂且干扰甚多的情形下，传统算法综合来说无法媲美深度学习模型。

那么传统算法如何同深度学习结合了？我根据工作经验认为主要有以下几点：

数据预处理， 深度学习算法的前期数据预处理阶段需要使用传统算法进行增强，比如对某些有“缺陷”的样本进行初步筛选，比如对有些你需要网络学习的特征进行增强处理等等。

在某些深度学习模型中提供参考，比如在某些condition GAN 里面，使用传统算法提取出的某些特征也作为输入参量一并输入

设计loss 函数，比如在图像风格转换、超分辨领域，使用SSIM等loss。

因此作为合格的图像算法工程师，对于传统算法和深度学习算法都应该有所了解。