1樓：少木
可以解決傳統方法沒法或者很難解決的問題。有些問題傳統方法需要大量的人為制定規則，而深度學習可以自動完成這一步。這兩者各有優劣，可以互為補充
2樓：DataXujing
兩種當時都有優點，都有弊端，深度學習做識別，精度高，不然大佬們還再搞傳統的一些辦法，特徵提取的過程是自學習的，泛化能力比較強，但是需要大量的訓練標註資料，對硬體要求高。傳統方法實現相對簡單，對硬體要求低，但是往往精度差，泛化能力弱。個人認為兩手抓，不要什麼都是深度學習，摒棄傳統辦法，在產品中往往兩種方式結合的較多
3樓：
首先深度學習也不是萬能的，具體效果還是要根據具體情況。深度學習的優勢在於從萬千資料中自動找尋特徵。對於零件質檢領域，由於背景固定且簡單，傳統方法通過邊緣檢測，梯度直方圖等方法也能實現很不錯的效果。
但是對於諸如識別乙隻貓這種影象識別任務，傳統方法很難找到一種魯棒性特徵去恰當的描述貓，這時候深度學習就可以上場了。
4樓：這樣就好
這麼現實的社會，優勝的方法的肯定是更好用的。深度學習具往往有更高的識別準確度，並且可以進行端到端訓練，不需要關注特徵提取過程（輪廓，大小通通不需要人去考慮），當然代價是可解釋性降低，不穩定性有所提高。
5樓：Jerry
傳統方法中特徵提取主要依賴人工設計的提取器，需要有專業知識及複雜的調參過程，同時每個方法都是針對具體應用，泛化能力及魯棒性較差。
深度學習主要是資料驅動進行特徵提取，根據大量樣本的學習能夠得到深層的、資料集特定的特徵表示，其對資料集的表達更高效和準確，所提取的抽象特徵魯棒性更強，泛化能力更好，並且可以是端到端的。缺點是樣本集影響較大，算力要求較高。
總體來講，一種是人工認知驅動的方法，一種是資料驅動的方法。應用的話看場景，只不過深度學習一直在不斷拓展其應用的場景，傳統方法在某些時候扔具有一定價值。
6樓：greenge
簡答一下吧。從廣義上來講：
深度學習能夠解決更多高階的、語義級別的、只能抽象描述的影象識別、檢測、風格、創造性的問題。優點是效果優異、泛化更好、可端到端訓練、無需複雜調參，仍處於蓬勃發展的時期；但算力、資料消耗大，可解釋性目前很弱。
傳統影象演算法能解決某些特定場景的、可人工定義、設計、理解的影象任務。特定場景效果好，但普遍泛化性弱，可解釋性更強，效能一般更好，但調參依賴專業知識和經驗。目前在某些極端低算力場景、特定海量處理場景仍有一定應用價值。
如何利用深度學習實現影象識別？
大煎餅 借助卷積神經網路或其變體，就可以實現。1 卷積神經網路 卷積神經網路最開始是用於手寫數字的識別，後來也用於影象中物體的識別。卷積神經網路 2 殘差網路 殘差網路是卷積神經網路的改進，新增了跨層連線。殘差網路 3 殘差收縮網路 殘差收縮網路 1 2 在殘差網路中又加入了軟閾值化，減輕了雜訊的影...
python深度學習（影象識別）的學習方法或者入門書籍有什麼？
大江東去 要實現影象識別的功能，現在最常用的是卷積神經網路吧。在卷積神經網路中，有比較基礎的，例如LeNet AlexNet，也有比較新的，例如殘差網路 深度殘差收縮網路。AlexNet是2012年在ImageNet分模擬賽中一鳴驚人的方法。AlexNet 由於殘差網路包含了跨層恒等對映，更易於梯度...
有從事影象識別 深度學習方面的大佬嗎，能告訴我，我應該怎麼去學習嗎？
東臨碣石 可以從簡單的深度學習演算法開始學，尤其是卷積神經網路的各種結構，例如1 AlexNet AlexNet是2012年的一種卷積神經網路結構，至今引用量已經超過8萬次。AlexNet 2 ResNet ResNet是卷積神經網路的一種變體，核心特色是跨層路徑。ResNet 3 殘差收縮網路 面...