深度学习与传统计算机视觉到底是怎么样的关系
如今，深度学习在众多领域都有一席之地，尤其是在计算机视觉领域。

尽管许多人都为之深深着迷，然而，深网就相当于一个黑盒子，我们大多数人，甚至是该领域接受过培训的科学家，都不知道它们究竟是如何运作的。

某种程度上，深度学习最大的优势就是自动创建没有人会想到的特性能力。

大量有关深度学习的成功或失败事例给我们上了宝贵的一课，教会我们正确处理数据。

在这篇文章中，我们将深入剖析深度学习的潜力，深度学习与经典计算机视觉的关系，以及深度学习用于关键应用程序的潜在危险。

视觉问题的简单与复杂
首先，我们需要就视觉/计算机视觉问题提出一些看法。

原则上它可以这样理解，人们给定一幅由摄像机拍摄的图像，并允许计算机回答关于与该图像内容的相关问题。

问题的范围可以从“图像中是否存在三角形”，“图像中是否有人脸”等简单问题到更为复杂的问题，例如“图像中是否有狗在追逐猫”。

尽管这类的问题看起来很相似，对于人类来说甚至有点微不足道，但事实证明，这些问题所隐藏的复杂性存在巨大差异。

虽然回答诸如“图像中是否有红圈”或“图像中有多少亮点”之类的问题相对容易，但其他看似简单的问题如“图像中是否有一只猫”，则要复杂得多。

“简单”视觉问题和“复杂”视觉问题之间的区别难以界限。

这一点值得注意，因为对于人类这种高度视觉化的动物来说，上述所有问题都是不足以成为难题，即便是对孩子们来说，回答上述视觉问题也并不困难。

然而，处在变革时期的深度学习却无法回答这些问题。

传统计算机视觉V.S.深度学习
传统计算机视觉是广泛算法的集合，允许计算机从图像中提取信息（通常表示为像素值数组）。

目前，传统计算机视觉已有多种用途，例如对不同的对象进行去噪，增强和检测。

一些用途旨在寻找简单的几何原语，如边缘检测，形态分析，霍夫变换，斑点检测，角点。