[討論] 做影像(CV)的有不綁AI的嗎？

[Wardyal (求職中 站內可 待遇面議)]

如題 本身大學研究所都是做CV的

研究基本上也不外乎什麼AI的辨識、偵測

甚麼DeepLearning的


不過我本身對AI研究方面沒啥興趣

對CV倒是還可以接受


剛剛看了一下104

現在做CV的公司是不是大多都綁AI阿

做AI方面的職缺是真的跟碩班一樣

整天在看paper 然後報告

還是有比較著重實務 把AI的Tool來用


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 27.51.49.216 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1675675676.A.789.html
→ shomingchang: 應該都是當tool來用吧 但是要有人去train它
→ shomingchang: AI很強啊 不然要手工去寫啥特徵點偵測嗎 很難吧
→ shomingchang: 應該是DL很強，用啥SVM可能還是要設計啥HoG之類的
→ Wardyal: 應該說有點排斥一天到晚在看、報論文才排斥AI
→ Wardyal: 所以業界主要還是以實物為主嗎 有點好奇
→ shomingchang: 可以找應用寫code的 應該不用看論文 多的是博士在搞
→ Wardyal: 了解
推 yiche: 也有傳統數位影像處理呀 不過內容很數學喔
→ Wardyal: 喔喔 好吧
推 Freddy122: 業界做AI CV就是一直implement最新paper 的東西啊
→ Freddy122: 現在基本上各領域DL 方法都領先傳統 handcrafted
→ Freddy122: 除非要部署在edge device 有運算上的限制 不然基本上
→ Freddy122: 都用DL的方法
推 kobekobe007: 有 我在做frame delivery
→ MoonCode: 把 CV 跟 AI 做分類很奇怪
→ Ofianse: 我先猜業界都在落地 少有資源研究新方法
→ q00153: 我碩論就純 CV 找晶片缺陷，大概三年前寫的
→ DrTech: 分開看真的很奇特。即使做AI，影像的前處理，後處理，還是
→ DrTech: 傳統的CV與數學。即使做傳統CV，後面應用也一堆統計機器學
→ DrTech: 習模型,DL還只是工作的一小塊。
→ DrTech: 除非你走學術界，做產品的根本很難拆開傳統影像處理與ML，
→ DrTech: DL
→ DrTech: 其實很簡單，你去找有做產品對外販售的，就不只是DL了。
推 MakeSITGreat: CV可以分成鏡頭矯正的軟韌和影像的辨識演算法，台灣
→ MakeSITGreat: 硬體晶片廠前者的缺還是多數，不會用到DL，以C++撰
→ MakeSITGreat: 寫傳統算法為主。但凡牽扯到應用層面，DL基本上跑
→ MakeSITGreat: 不掉，只是落地要考慮硬體是否支援深度模型所有運
→ MakeSITGreat: 算子以及memory是否足夠。
推 alan5: 你就想想只做cv是怎麼賺錢這樣就好
推 j0958322080: 不綁 ai 就是晶片算法的 fw
→ rereterry: 其實現在大一點的團隊拆分蠻細的，有完全應用端的，讀p
→ rereterry: aper跟轉化AI都是專門的人，其他人則可能是部署串接跟
→ rereterry: 相應功能開發
推 okgogogo: 不要當RD就不用一直學新的技術，當sw pm?
→ MonyemLi: 大多說ai都是ai操作者，這種學習時間成本不高。但cv沒a
→ MonyemLi: i訓練包會回好幾年前。從業人數越來越多的今天，進步飛
→ MonyemLi: 快但你高興就好
→ TSMCfabXX: 在台灣大部分都是想辦法套套件
→ GoalBased: 車載不少
推 azsx14520: Robotics 應用很多，但主流還是往ai做了
→ recorriendo: 影像和CV原則上不一樣  影像處理有一堆基於數學的東
→ recorriendo: 西可以做  CV要做得好現在都靠AI了
→ recorriendo: 當然業界不一定分工那麼清楚 取決實際需求和人手
推 chobit199685: 這是趨勢，難道還要繼續用一堆參數限制的傳統方法？
推 eaton1202: 之前面試一些CV算法職缺給我感覺是傳統影像處理相關還
→ eaton1202: 是偏多
推 Roderickey: 應該有些公司還是會把這兩塊分開給不同的工程師去做