有哪些深度学习效果不如传统方法的经典案例?

深度学习与传统图像识别 深度学习与传统图像识别 概述 传统方法中特征提取主要依赖人工设计的提取器,需要有专业知识及复杂的调参过程,同时每个方法都是针对具体应用,泛化能力及鲁棒性较差。 深度学习主要是数据驱动进行特征提取,根据大量样本的学习能够得到深层的、数据集特定的特征表示,其对数据集的表达更高效和准确,所提取的抽象特征鲁棒性更强,泛化能力更好,并且可以是端到端的。缺点是样本集影响较大,算力要求较高。 大量冗余的proposal生成,导致学习效率低下,容易在分类出现大量的假正样本。(2)特征描述子都是基于低级特征进行手工设计的,难 阅读详情

来源:知乎

链接:https://www.zhihu.com/question/451498156/answer/1802577845

来自:深度学习与计算机视觉

著作权归作者所有,本文仅作学术分享,若侵权,请联系后台删文处理

1

作者:桔了个仔

https://www.zhihu.com/question/451498156/answer/1802577845

对于解释性有要求的领域,基本深度学习是没法和传统方法比的。我这几年都在做风控/反洗钱的产品,但监管要求我们的决策要可解释性,而我们曾经尝试深度学习,解释性很难搞,而且,效果也不咋地。对于风控场景,数据清洗是非常重要的事,否则只会是garbage in garge out。

在写上面内容时,我想起前两年看的一篇文章:《你不需要ML/AI,你需要SQL》https://news.ycombinator.com/item?id=17433752。

作者是尼日利亚的软件工程师Celestine Omin,在尼日利亚最大的电商网站之一Konga工作。

我们都知道,对老用户精准营销和个性化推荐,都是AI最为常用的领域之一。当别人在用深度学习搞推荐时,他的方法显得异常简单。他只是跑了一遍数据库,筛选出所有3个月没有登录过的用户,给他们推优惠券。还跑了一遍用户购物车的商品清单,根据这些热门商品,决定推荐什么相关联的商品。

结果,他这种简单的而基于SQL的个性化推荐,大多数营销邮件的打开率在7-10%之间,做得好时打开率接近25-30%,是行业平均打开率的三倍。

当然,这个例子并不是告诉大家,推荐算法没用,大家都应该用SQL,而是说,深度学习应用时,需要考虑成本,应用场景等制约因素。我在之前的回答里(算法工程师的落地能力具体指的是什么?),说到过算法落地时需要考虑实际制约因素。

而尼日利亚的电商环境,依然出于非常落后的状态,物流也跟不上。即使使用深度学习方法,提升了效果,实际对公司整体利润并不会有太大影响。

所以,算法落地时必须「因地制宜」否则,又会出现「电风扇吹香皂盒」的情况。

某大企业引进了一条香皂包装生产线,结果发现这条生产线有个缺陷:常常会有盒子里没装入香皂。总不能把空盒子卖给顾客啊,他们只得请了一个学自动化的博士后设计一个方案来分拣空的香皂盒。


博士后拉起了一个十几人的科研攻关小组,综合采用了机械、微电子、自动化、X射线探测等技术,花了90万,成功解决了问题。每当生产线上有空香皂盒通过,两旁的探测器会检测到,并且驱动一只机械手把空皂盒推走。

中国南方有个乡镇企业也买了同样的生产线,老板发现这个问题后大为发火,找了个小工来说“你他妈给老子把这个搞定,不然你给老子爬走。”小工很快想出了办法他花了190块钱在生产线旁边放了一台大功率电风扇猛吹,于是空皂盒都被吹走了。

(虽然只是个段子)

深度学习是锤子,而世间万物不都是钉子。

2

作者:LinT

https://www.zhihu.com/question/451498156/answer/1802516688

这个问题要分场景看。深度学习固然免去了特征工程的麻烦,但是在一些场景下应该很难应用:

1.应用对时延有高要求,而对精度没有那么高的要求,这时简单的模型可能是更好的选择;

2.一些数据类型,例如tabular数据,可能更适合使用基于树的模型等统计学习模型而不是深度学习模型;

3.模型决策有重大影响,例如安全相关、经济决策相关,要求模型具有可解释性,那么线性模型或者基于树的模型,相对深度学习是更好的选择;

4.应用场景决定了数据采集难,使用深度学习有过拟合的风险。

真实的应用都是从需求出发的,抛开需求(精度、时延、算力消耗)谈表现是不科学的。如果把问题中的『干翻』限定到某个指标上,可能讨论范围可以缩小一些。

3

作者:RandomWalk

https://www.zhihu.com/question/451498156/answer/1805409808

1.数据充足的情况下,我相信深度学习效果一定会比单层模型或其他非神经网络好。

2.很多实际遇到的问题其实数据很少,这时候就得上规则+简单线性模型/树模型之类的了。

3.大家现在一般指的“可解释性”应该是说某些因子的追溯。这个事情我感觉主要还看问题和模型的复杂程度。如果一个模型变量就有几万个的话,即使是逻辑回归或者层数多一点的树模型也很难“解释”吧。如何解释和溯因对于所有统计模型应该都是一个值得研究的问题。

4

作者:邱昊晨

https://www.zhihu.com/question/451498156/answer/1806086784

这个问题问得太宽泛了,实际上:

1.“不如”有很多层面,效果、效率、解释性、可维护性、可商业化程度 等等,我们常见的搜索广告推荐等AI技术在单一产品里做深就可以保证带来足够的利润了,但是大量的技术需要商业化的支持才能实现普惠和反哺,这就决定了工作的目标就是不一样的。

2.也不要把深度学习和传统方法对立起来,比如LSTM可以加CRF,比如Facebook几年前还拿GBDT+LR来做点击率。你要说LR不是深度学习,确实不深,word2vec也就一层,那就加MLP呗

3.在其他因素相同的前提下,深度学习一定是传统方法的超集,但是这个前提太难了。在实际工业场景中,有很多因素需要tradeoff

我提一个工作中遇到的真实情况,这些年很少见类似的任务,2020年开始有些火了,document intelligence相关。

大量的word文档,需要提文档的标题

某知名团队的做法是:用tika解析word文档 -> NLP任务建模,对于单行的文本很好处理,但是有些时候一个文档标题会被拆成多行,这种情况下模型就复杂了

我们的做法:openoffice解析word文档 -> 用字体大小、居中等特征,确定文档标题,这样那种一个标题分好多行的case也就迎刃而解了

小刀可以切苹果,瑞士军刀也可以。用瑞士军刀去切苹果,其实是另一种意义上的“不动脑筋”

5

作者:偏执数学的人https://www.zhihu.com/question/451498156/answer/1802888939

数据量充足的情况下从效果上的干翻确实不常见,更多是从业务场景上的考虑需要工程师去使用传统的办法。

传统信贷风控分。这块内容还是非常注重可解释性的能力的。部分银行会希望自己的模型的开发是基于统计模型比如评分卡模型。但是现在专业的风控公司也在拥抱更多的算法。之前做过图算法在这个领域的落地算是我接触到的一个模块吧。

之前实验室做过lstm对高频数据的分析的项目,效果比不上xgb跑出来的结果。但是这个不知道是特征做的不到位还是别的原因。

6

作者:匿名用户

https://www.zhihu.com/question/451498156/answer/1802546752

一般传统场景,或者说图片文本信息没那么重要的场景,如一般商品推荐,风控等,传统方法都能比深度学习在短时间内获得更优更鲁棒的效果。

当然持续优化的话,深度模型一般能超过传统模型,毕竟说到底深度学习代表的是一大类方法+一大堆trick,那么大的空间,总有一个组合试出来能赢。

目标检测之一(传统算法和深度学习的源码学习) 目标检测之一(传统算法和深度学习的源码学习) 本系列写一写关于目标检测的东西,包括传统算法和深度学习的方法都会涉及到,注重实验而不着重理论,理论相关的看论文去哈,主要依赖opencv。 一、目标检测有哪些算法,历史简介        最近在做一些目标检测相关的东西,目标检测是计算机视觉里面最重要的课题之一了,很多场合检测和识别都是很重要的,比如现在很火的无人驾驶,就非常依赖目标检测和识别,需 阅读详情

相关推荐

MATLAB算法实战应用案例精讲-【图像处理】缺陷检测(补充篇)

缺陷检测是工业上非常重要的一个应用,由于缺陷多种多样,传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移,复用性不大,要求区分工况,这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果,越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中。虽然当前深度学习技术十分火爆,但它占AOI落地项目中的比例仅约10%。传统算法依然无法被完全取代,它有着计算复杂度低、调试成本低等优点。

qq_36130719的博客 505

深度学习与传统算法的区别

深度学习算法对计算资源的需求更大,需要大量的计算资源进行训练和推断,而传统算法对计算资源的需求相对较小。:深度学习算法对大量数据的需求更大,需要大量的标注数据进行训练,而传统算法对数据的需求相对较小。:深度学习算法在处理复杂的非线性问题时表现更加灵活,而传统算法在处理简单问题时可能更有效。:传统算法通常更容易解释和理解,而深度学习算法通常被认为是“黑盒”,难以解释其决策过程。:深度学习算法能够自动学习和提取数据的特征,而传统算法需要手动设计特征提取器。

wpt2480527412的博客 1767

低光照图像增强:从传统方法到深度学习

低光照图像增强:从传统方法到深度学习​ 人工智能,计算机视觉,大模型,AI,本文聚焦视觉模型的偏差与公平性问题,阐述了偏差在性别、种族、年龄等方面的表现及对医疗、司法、安防等领域的影响。分析了偏差源于数据采集与标注问题及算法局限。介绍了准确率差异等公平性评估指标、相关数据集和工具,还给出数据处理、算法改进、模型训练等避免歧视的策略,并附代码示例与实际案例,为提升视觉模型公平性提供多方面参考。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 2万+

简单阐述深度学习与机器学习的差异

深度学习与机器学习的差异性主要表现在以下几个方面:  1、数据依赖性 深度学习一般需要大量数据用于训练,而机器学习相对于深度学习没有那么大的数据依赖量,在数据相对较少的情况下也适用。 2、硬件依赖 深度学习复杂性更大,处理数据的硬件要求比较高,一般使用GPU并行处理,而机器学习相关模型一般在CPU上就可以完成处理。 3、特征工程 深度学习算法尝试从数据中学习到更加抽象的特征,使得用户不

AI_盲的博客 2505

告别龟速下载!保姆级教程:用离线包5分钟搞定Arduino IDE的STM32开发环境(附最新库文件)

本文提供了一套完整的Arduino IDE离线配置方案,帮助开发者5分钟快速搭建STM32开发环境。通过详细的板支持包安装指南、文件校验方法和常见问题解决方案,彻底解决GitHub下载慢的问题,提升开发效率。

weixin_26802933的博客 368

Plant simulation、Flexsim、Automod、Emulate3D、VisuaComponent仿真软件对比

E3D在行业内以展示效果好,入门阶段易学易用人机界面友好,电控仿真连接方便不需要借助其他第三方软件,E3D平台开放度较高用户DIY程度强,数据分析功能针对要评定对象的KPI的可根据项目或者使用者需求进行评定。3.支持导入导出多种格式的文件,比如dwg、dxf、fbx、obj、3ds、step、stp、iges、skp、stl、wrl、 bmp 等等。3.软件自带模型组件库程序代码开放,用户可以引用、修改、拷贝,按照自己的逻辑修改模型,或者创建模型并保存到组件库与别人共享。3. 支持导出布局图片。

qq_43342303的博客 3581

专家观点碰撞:深度学习能否取代其他机器学习算法

专家观点碰撞:深度学习能否取代其他机器学习算法 摘要:深度学习在最近两年非常火爆,但深度学习能否取代其他机器学习算法?纽约大学研究生Ran Bi根据Quora上的一个讨论总结了不同的观点,优快云编辑将其翻译如下,并加上一些国内人工智能专家的观点,供大家参考。 【编者按】深度学习在最近两年非常火爆,但深度学习能否取代其他机器学习算法?纽约大学研究生Ran Bi根据Quora上的一个讨论总结...

weixin_34111790的博客 313

innovus: 如何让两个generate clock balance skew group?

如题,在sdc约束中两个generate clock被设置到同一个clock group中,工具虽然会生成对应的两个skew group,但是阅读ccoot_spec发现工具并没有让两个skew group进行balance,这时就需要手动设置balance skew group。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 4051

【深度学习】有哪些深度学习效果不如传统方法的经典案例?

作者丨桔了个仔、莫笑傅立叶、LinT来源丨知乎问答From丨极市平台问题链接:https://www.zhihu.com/question/451498156#回答一作者:桔了个仔来源链接:https://www.zhihu.com/question/451498156/answer/1802577845对于解释性有要求的领域,基本深度学习是没法和传统方法比的。我这几年都在做风控/反洗钱的产...

fengdu78的博客 204

5分钟用AI搞定顶刊级引言!掌握三段式结构+避坑要点,让你的Introduction更有说服力(附提示词)

说明你是怎么来填补这个缺口的,一句话概括你的研究,再简述你采用了什么新方法、新模型或新视角,也就是创新点,最后说明你的方案是怎么克服第二段提到的缺口的,带来了哪些贡献,注意要确保方案与第二段提到的缺口一一对应。以上三段式引言模板,是非常经典的问题导向型结构,相比传统的结构,这种结构更能吸引是审稿人的注意,希望这篇分享的模板能给在你写论文引言时,提供一点帮助。上一段写好后,就在前人研究的基础上,亮出自己的方案,借助AI说明自己的研究,用了什么新方法/框架/理论/视角来填补这个缺口的。

智能AI让学术科研更容易 747

Maestro 薛定谔软件简单分子对接案例

#参考:Maestro 薛定谔软件使用:Maestro 薛定谔对接:sid=287811。

weixin_42357472的博客 1万+

传统方法VS深度学习方法

传统方法VS深度学习方法 传统方法与深度学习方法各自提升的方式 传统方法: 1.找到一个大体上符合问题的模型,得到参数与目标的函数关键,并优化求解。 2. 改进:各自带有人类先验认知的小优化改进到上述模型中。 因此,传统方法的核心在人类对目标问题的认知和建模,以及提出一种solver解决该模型。 深度学习方法: 首先确定我的问题和目标是否存在必然的关系,不需要建模问题到目标的模型,而是要建立问题到目标的合适的神经网络结构(该结构常常参考传统方法)。 更加关注如何使用一些优化策略来使自己构建的网络收敛,俗称

fb_help的专栏 8420

一文读懂5G网络整体架构(接入网+承载网+核心网)

接入网重构分级(分工更细、效率更高)、承载网三段化升级(管道更宽、更智能)、核心网服务化云化(管理更灵活、成本更低)最终实现“成本最优、资源灵活、场景适配”,才能支撑自动驾驶、工业互联网、智慧城市、VR/AR等各种新场景,真正走进我们的生活。

鲸落寰宇 430

传统算法与深度学习结合的真实案例深度剖析

例如,在新闻分类任务中,这种结合方式能够提高分类的准确率和召回率,尤其是在处理一些主题相似的新闻文本时,LSTM 能够利用其上下文信息处理能力,准确区分不同主题的新闻。例如,在一些专业领域的翻译中,如医学、法律等,SMT 可以利用其专业领域的语言知识,提供准确的术语翻译,NMT 可以对整体句子的翻译进行优化,使翻译结果既准确又自然。例如,在汽车制造、电子制造等行业,通过将传统机器视觉方法与 CNN 相结合,能够准确检测出产品表面的划痕、裂纹、孔洞等缺陷,提高了产品的质量和生产效率。

m0_44975814的博客 1664

Unity零基础到进阶 ☀️| Unity中的 GC及优化 超级全面解析 ☆(ゝω・)v 建议收藏!

介绍: 在游戏运行的时候,数据主要存储在内存中,当游戏的数据在不需要的时候,存储当前数据的内存就可以被回收以再次使用。内存垃圾是指当前废弃数据所占用的内存,垃圾回收(GC)是指将废弃的内存重新回收再次使用的过程。 Unity中将垃圾回收当作内存管理的一部分,如果游戏中废弃数据占用内存较大,则游戏的性能会受到极大影响,此时垃圾回收会成为游戏性能的一大障碍点。 本文我们主要学习垃圾回收的机制,垃圾回收如何被触发以及如何提GC收效率来提高游戏的性能。 Unity内存管理机制简介 要想了解垃圾回收如何工作以及何时被

努力前行,总会成为自己心中的那道光 6万+

LVGL(lv_table)

LVGL中的lv_table是一个轻量级表格控件,用于显示行列式文本数据。它支持设置单元格内容/样式、行列调整、事件响应等基础功能,适用于参数配置、数据展示等场景。通过API可快速创建表格,设置行列数、填充数据,并自定义对齐方式与样式。但需注意默认无滚动条、行数限制等问题。该控件适合简单表格需求,复杂交互需结合自定义事件处理。

m0_49476241的博客 1268

目标检测算法(传统&基于深度学习的)

目标检测算法 最近在学目标检测各类算法,主要分为传统的目标检测方法和基于深度学习的目标检测算法,这里记录了一些基本的算法介绍。下图是目标检测算法的发展历程 传统目标检测方法 分三部分:区域选择–>特征提取–>分类器 ① VJ(Viola-Jones) Viola-Jones人脸检测算法可以说是非常经典的一个算法,所有从事人脸检测研究的人,都会熟悉了解这个算法,Viola-Jones算法在2001年的CVPR上提出,因为其高效而快速的检测即使到现在也依然被广泛使用。在无约束条件(如肤色分割)的情

weixin_47166887的博客 1万+

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

传统方法与深度学习方法——优缺点辨析

随着人工智能技术的快速发展,深度学习作为其中的一部分,也正在展现出其强大的优势和前景。与传统方法相比,深度学习的确存在着许多不同的优缺点。

qq_41454577的博客 5588

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

图像超分辨——传统方法(个人总结)

根据自己的经验总结一下图像超分辨的方法,图像超分辨(Image Super Resolution)可以分为传统方法和深度学习方法,传统方法一直都在出paper,最近几年深度学习在处理图像、文本、语音的任务上表现出了一定的优势,所以基于深度学习做超分辨在最近几年发了很多paper,包括最早地将CNN用于超分辨,后来的ResNet,GAN等。 lena的原始图像为512×512,lena x4为1/...

SimonCoder的专栏 2万+

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

人脸识别的经典深度学习方法

基于深度学习的人脸识别方法通常包括两个步骤:首先使用一个深度神经网络模型提取人脸图像的特征向量,然后使用一种距离度量方法(如欧氏距离、余弦相似度等)来比较特征向量之间的相似度,从而实现人脸识别。例如,使用CNN模型进行端到端的人脸检测,可以直接从原始图像中提取人脸区域,避免了手工设计特征的过程,提高了检测的准确率和鲁棒性。基于特征点的对齐方法通过检测人脸图像中的关键特征点(如眼睛、鼻子、嘴巴等),然后根据这些特征点的位置调整人脸图像的姿态和位置。常见的人脸对齐方法包括基于特征点的对齐和基于深度学习的对齐。

qq_45880982的博客 3540
上一篇: 中国已消失的九所世界级大学
下一篇: 65位高校教师接龙晒工资,全国各地高校,给打算入高校的博士们参考!
机器学习算法那些事
博客等级 码龄9年 1633粉丝 62原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值