科技

【計算機視覺(cv)方向今年招聘情況怎麼樣?是否已經人才過剩?】

首先說一下,CV方向的"人才"不過剩,而且很緊缺。

目前過剩的是CV方向的從業人員和工程師,真正的中高階人才,依然是很緊缺的。

日常所說的人工智慧只是一個籠統的概念,它包含著很多不同的領域和行業,

目前在商業中有所應用,而且能夠創收的只有搜尋推薦和計算機視覺,因此,這兩個方向的人力缺口很大,尤其是計算機視覺。前兩年校招時可以看到,網際網路、IT、生物醫藥、汽車安防等等行業,幾乎都會有計算機視覺的崗位。所以,很多其他方向的同學開始紛紛轉向,隨著大潮流投入計算機視覺這個方向,為什麼這麼多人投入計算機視覺方向?我認為有以下幾個原因:

其他的暫且不說,就著重的說一下入門容易和模型成熟這兩點。

目前入門CV的常用套路就是:

學了兩個月、跑了幾次結果後就認為已經入行CV了,其實就忽略了兩個問題:

試問一下,有多少CV的從業者從頭至尾深入的學習了影象處理方面的知識?現在有了深度學習,不需要人為提取特徵了,所以很多人不再關注影象底層的資訊,而是直接越過這個根基去搭建模型,我覺得這是一個誤區。不同領域的影象,例如OCT、MR、遙感、自然影象等等,有著巨大的特徵差異,對這些特徵差異性都不瞭解,怎麼在搭建模型之後對精度進行提升和改進呢?怎麼在原來模型的基礎上做一些改變呢?

因此,我認為好好學習一下影象預處理、後處理的知識對CV有著至關重要的作用,例如影象去噪、分割、增強、增廣等等,但是很多人都欠缺這一塊的知識。

看過吳恩達課程的人,有的應該記得他在課裡面說過"深度學習是一個基於經驗的領域",我們該怎麼針對不同領域的影象設定不同的引數?其中包括卷積核大小、網路架構、初始權重等等,不可能拿到一個模型,既適合醫學影象,又適合人臉識別,這其中就需要n次從70%的精度調到95%以上中積累出經驗,而很多CV從業者覺得搭建出模型就告一段落,反反覆覆用不同的方式去搭建模型,顯示tensorflow搭建完用pytorch搭,pytorch完事後用mxnet再來一遍,Python搭完用c/c++搭,但是至始至終沒再精度和經驗方面做出前進。

因此,我認為CV方面過剩的不是人才,而是上述提到這類從業人員,而真正能夠對CV做出質的改變,能夠針對不同場景做出一款可商用產品的人才依然很緊缺。

Reference:科技日報

看更多!請加入我們的粉絲團

轉載請附文章網址

不可錯過的話題