请教一个问题，我研二了，计算机方向，可选研究方向人工智能中两个，自然语言处理还是计算机视觉更好？
发布网友
发布时间：2023-05-06 02:30
我来回答
共2个回答
热心网友
时间：2023-11-18 08:47
计算机视觉吧，我有几个研究生同学也是这个方向，现在工作是算法方面的，挺不错的
热心网友
时间：2023-11-18 08:47
计算机视觉吧，我有几个研究生同学也是这个方向，现在工作是算法方面的，挺不错的
热心网友
时间：2023-11-18 08:47
CV和NLP是目前计算机方向最大的两个领域，CV第一NLP第二，这两个方向发top文最多，当然水文也比较容易。
CV方向主要包括图像识别、目标检测、图像分割、图像检索、关节点识别、图像生成、视觉导航等。三维重建等SLAM技术也属于CV，比较古老了，但SLAM是无人驾驶中基于构图导航的基础。这里每一个方向又细分很多小方向，每个小方向都有很多未解决问题，所以*文还是比较方便的。另外CV最近也取得了长足进步，解决了很多实际的问题，应用性很强。
NLP方向主要包括文本分类、信息提取、信息检索、自动问答、知识图谱、推荐系统等。同CV，也是每一个方向又细分很多小方向，也属于应用性很强的方向。NLP的应用更贴近生活，但你跟小冰、各种客服等机器人聊天就可以了解，距离通用型应用还有距离。发文章同CV，也属于比较容易的。
这两个方向的文章都高度一致，非常严格：要求公开数据集上跑，很多数据集都给分好组了；你如果使用别的数据集做了预训练，必须声明，否则属于作弊。
将来的几年，应该是打通CV和NLP的gap的几年。这里需要提一下zero-shot，他起初的思想是这样：CV领域要识别一般目标，需要有数据进行训练，如识别马就必须有马的图像。考虑这样一个场景，我们有马的图像，可以学习到这种形态的就是马；有老虎的图像，可以学习到这种外表是斑纹；我们有熊猫的图像，可以学习到这种颜色是黑白。我们没有斑马的图像，但告诉系统斑马是有黑白条纹的马，就可以找出它，这就是zero-shot，就是找从来没见过的一个东西（实际测试集如果有见过的也有没见过的，反而更难）。
如果打通了CV和NLP这个GAP，那么就可以利用CV的外观和NLP的语义，向人工智能迈进一大步。（这一步是可预见成立的，不是神棍那种哲学上的成立，目前这个方向已经火起来了。）
应用最强的，CV和NLP几乎每个方向都可以
热心网友
时间：2023-11-18 08:47
CV和NLP是目前计算机方向最大的两个领域，CV第一NLP第二，这两个方向发top文最多，当然水文也比较容易。
CV方向主要包括图像识别、目标检测、图像分割、图像检索、关节点识别、图像生成、视觉导航等。三维重建等SLAM技术也属于CV，比较古老了，但SLAM是无人驾驶中基于构图导航的基础。这里每一个方向又细分很多小方向，每个小方向都有很多未解决问题，所以*文还是比较方便的。另外CV最近也取得了长足进步，解决了很多实际的问题，应用性很强。
NLP方向主要包括文本分类、信息提取、信息检索、自动问答、知识图谱、推荐系统等。同CV，也是每一个方向又细分很多小方向，也属于应用性很强的方向。NLP的应用更贴近生活，但你跟小冰、各种客服等机器人聊天就可以了解，距离通用型应用还有距离。发文章同CV，也属于比较容易的。
这两个方向的文章都高度一致，非常严格：要求公开数据集上跑，很多数据集都给分好组了；你如果使用别的数据集做了预训练，必须声明，否则属于作弊。
将来的几年，应该是打通CV和NLP的gap的几年。这里需要提一下zero-shot，他起初的思想是这样：CV领域要识别一般目标，需要有数据进行训练，如识别马就必须有马的图像。考虑这样一个场景，我们有马的图像，可以学习到这种形态的就是马；有老虎的图像，可以学习到这种外表是斑纹；我们有熊猫的图像，可以学习到这种颜色是黑白。我们没有斑马的图像，但告诉系统斑马是有黑白条纹的马，就可以找出它，这就是zero-shot，就是找从来没见过的一个东西（实际测试集如果有见过的也有没见过的，反而更难）。
如果打通了CV和NLP这个GAP，那么就可以利用CV的外观和NLP的语义，向人工智能迈进一大步。（这一步是可预见成立的，不是神棍那种哲学上的成立，目前这个方向已经火起来了。）
应用最强的，CV和NLP几乎每个方向都可以
热心网友
时间：2023-11-18 08:47
计算机视觉吧，我有几个研究生同学也是这个方向，现在工作是算法方面的，挺不错的
热心网友
时间：2023-11-18 08:47
CV和NLP是目前计算机方向最大的两个领域，CV第一NLP第二，这两个方向发top文最多，当然水文也比较容易。
CV方向主要包括图像识别、目标检测、图像分割、图像检索、关节点识别、图像生成、视觉导航等。三维重建等SLAM技术也属于CV，比较古老了，但SLAM是无人驾驶中基于构图导航的基础。这里每一个方向又细分很多小方向，每个小方向都有很多未解决问题，所以*文还是比较方便的。另外CV最近也取得了长足进步，解决了很多实际的问题，应用性很强。
NLP方向主要包括文本分类、信息提取、信息检索、自动问答、知识图谱、推荐系统等。同CV，也是每一个方向又细分很多小方向，也属于应用性很强的方向。NLP的应用更贴近生活，但你跟小冰、各种客服等机器人聊天就可以了解，距离通用型应用还有距离。发文章同CV，也属于比较容易的。
这两个方向的文章都高度一致，非常严格：要求公开数据集上跑，很多数据集都给分好组了；你如果使用别的数据集做了预训练，必须声明，否则属于作弊。
将来的几年，应该是打通CV和NLP的gap的几年。这里需要提一下zero-shot，他起初的思想是这样：CV领域要识别一般目标，需要有数据进行训练，如识别马就必须有马的图像。考虑这样一个场景，我们有马的图像，可以学习到这种形态的就是马；有老虎的图像，可以学习到这种外表是斑纹；我们有熊猫的图像，可以学习到这种颜色是黑白。我们没有斑马的图像，但告诉系统斑马是有黑白条纹的马，就可以找出它，这就是zero-shot，就是找从来没见过的一个东西（实际测试集如果有见过的也有没见过的，反而更难）。
如果打通了CV和NLP这个GAP，那么就可以利用CV的外观和NLP的语义，向人工智能迈进一大步。（这一步是可预见成立的，不是神棍那种哲学上的成立，目前这个方向已经火起来了。）
应用最强的，CV和NLP几乎每个方向都可以
