图像处理领域方向选择问题？
谢邀。直接说结论，学了DL（尤其是CNN），各种CV方向都能研究，凡是有CV岗位的各类公司都能去。因为CV各个方向其实联系很大，都是有交叉的地方，不存在说纯独立性研究方向。能力强，基础掌握的好，各种CNN model如数家珍，能改能调能找bug，去哪都行。CV方向很大，其实目前主要就是基于DL的CV才是主流，无论是学术还是项目，DL这一强劲利器真无敌。DL和CV分不开，从基本的CNN就知道了，无论是SR、Inpainting还是Object Detection、Segmentation，都是基于CNN。当你去找工作的时候，面试官更多的会问你基础知识和你研究方向相关问题，当然可能也会问一些经典的特定任务网络，如Faster R-CNN、YOLO和Mask R-CNN等，但重点还是考察你的知识量和学习能力。你各种CNN model玩的溜，如VGG、ResNet、DenseNet、SENet，公司干嘛不要你，是抢着要你。
具体哪个方向，其实不重要，重要的是基于DL的CV。
另外说一句，SR方向还是不错的，不算特别小众了 谢邀。直接说结论，学了DL（尤其是CNN），各种CV方向都能研究，凡是有CV岗位的各类公司都能去。因为CV各个方向其实联系很大，都是有交叉的地方，不存在说纯独立性研究方向。能力强，基础掌握的好，各种CNN model如数家珍，能改能调能找bug，去哪都行。
CV方向很大，其实目前主要就是基于DL的CV才是主流，无论是学术还是项目，DL这一强劲利器真无敌。DL和CV分不开，从基本的CNN就知道了，无论是SR、Inpainting还是Object Detection、Segmentation，都是基于CNN。当你去找工作的时候，面试官更多的会问你基础知识和你研究方向相关问题，当然可能也会问一些经典的特定任务网络，如Faster R-CNN、YOLO和Mask R-CNN等，但重点还是考察你的知识量和学习能力。你各种CNN model玩的溜，如VGG、ResNet、DenseNet、SENet，公司干嘛不要你，是抢着要你。
具体哪个方向，其实不重要，重要的是基于DL的CV。
另外说一句，SR方向还是不错的，不算特别小众了 低级视觉也全面深度学习化了。会深度学习，不一定能找到工作。不会深度学习，肯定找不到工作。和你有没有驾照，能不能上路类似。 方向选择问题其实也是从事CV领域研究的研究生老生常谈的问题了，我就说说我的看法吧，仅供参考。
本人今年研二，从事深度学习和高精度地图等方面的研究，做过一些成熟的深度学习的项目。先说说深度学习吧，就目前来讲，深度学习在CV领域，特别像自动驾驶自然场景下的Semantic Segmentation,Detection、医疗领域的医疗图像分割以及工业界的缺陷检测，都是当前CV领域研究的火热领域，一方面薪资高再加上入门门槛比较低，所以现在很多CV领域的研究生纷纷投入了深度学习的怀抱（其实不仅仅是CV领域的研究生）。现在CV领域的研究生不懂点神经网络，反向传播，不知道Resnet、FCN、deeplab系列等经典模型，没自己跑过几个demo都不好意思说自己是做计算机视觉的。
再说说传统图像处理算法，本人本科是摄影测量方向的，也涉及到许多传统经典的cv算法，比如图像特征提取，特征匹配，傅里叶变换等等，好多都是经过大半个世纪不断验证而流传下来的经典算法。但是因为自己的专业领域某些原因，一度很抵触也很不认可这些东西，觉得已经落伍而且很没有价值。这也是我为什么研究生会投入到深度学习的领域中来。
题主问题提到传统cv研究方向和就业问题,以及提到对ai,深度学习十分感兴趣，那我就我亲身经历以及身边同学朋友了解到的，说下这两年CV领域的就业情况。这两年工业界就业最火的莫过于人工智能领域，特别是自动驾驶，一直都处于供不应求的状态。而传统的工业界领域，这两年也慢慢地顺应时代潮流，也纷纷增加了深度学习算法工程师岗位，比如说机器视觉、医疗图像处理、遥感图像处理等等。事实证明，深度学习算法在某些方面确实远远地把传统图像处理算法给甩在了身后。就我关注的这两年的校招信息，好多企业对传统图像算法工程师的需求慢慢地减少，薪资也没有深度学习等人工智能领域的高，但是这也不是一味抛弃传统图像处理领域的理由（打脸(￣ε(#￣)☆╰╮(￣▽￣///)）。虽然图像处理对深度学习领域需求人才比较多，但是在急功近利的大背景下，质量参差不齐，大部分随便跑跑几个demo的人都声称会深度学习，但是这种人好多连最基本的反向传播，批量归一化的原理都不知道，而且很多企业招聘深度学习岗位的时候，也都特别看重学生的传统算法领域的基础，所以只靠深度学习去拿一份合适的offer也是十分不容易的。就本人来讲，虽然从事深度学习方向研究，但是也一直都在学习传统图像处理算法，而且我做到的一些项目也都涉及到过比如消除图像畸变、透视变化、特征提取和匹配等算法，因次，既懂传统图像处理也会深度学习的才是目前这个CV潮流中合格的CVer。
根据题主导师的研究方向，图像超分辨率以及脑图像处理也都是不错的研究领域。因为我对图像超分辨率不是特别了解，不敢妄下评论，但是脑图像处理等医疗图像处理领域目前来讲是工业界是比较有前景的领域。题主不管从事哪个方向研究，都建议把传统算法和深度学习相结合，毕竟研究生最重要的一个特质就是“回味”过去，“注重”现在，“着眼”未来！ 近几年high-level领域确实比low-level要热门很多，新闻报道和文章热度都比low-level高很多，个人感觉主要得益于资本和巨头的推动。high-level的问题定义的相对明确，每个问题下都有标注好的大规模benchmark，所有人都在统一的benchmark上比性能，加上大牛云集，竞争非常激烈。而low-level的很多问题可能都还没有完全定义好，大多数文章当下仍然采用小规模的仿真数据集，因为真实数据集获取代价非常大甚至无法获得，并且子问题更多，研究方向相对更分散，有些小众的方向可能一共就只有几个组在做，你甚至可以自己重新定义问题，因此个人发挥空间可能更大。
我们组几乎一人一个方向，所以做high-level和low-level各个方向的人都有，不知道你导师组里显卡是否充裕，我们组做high-level的人平时一般一个人占用一台4卡服务器（价为在8-10万），可能1周才出一个结果，赶上ddl可能需要一个人占用十几块卡，而low-level一般用1-2块卡，1-2天便能出一次结果，迭代周期相对更快一些。
至于企业需求，当下两个方向都挺大的，个人认为high-level的前景非常广阔，目前资本热度也比较高，因此市场需求非常旺盛，但由于问题的高度标准化和十分激烈的竞争环境，后续随着资本热度的减退和工具包的进一步普及，个人对这个领域是否还需要那么多的从业者表示怀疑。而low-level的很多问题是十分接地气的，和实际应用场景密切相关，问题一直都在那里等着有能力的人去解决。 目前研一在读，下学期研二，就我在各大招聘网站的了解来看，DL相关的分割和超分辨不算多，检测和追踪需求挺多的。另外opencv用的好也是要求比较多的能力，最后加一个CUDA高性能运算，也算是趋势吧，欢迎讨论
页:
[1]