视觉SLAM与机器学习哪个发展前景更好
从知识结构本身以及企业招聘现状，两个方面回答一下。
计算机视觉主要分为2D视觉和3D视觉两大研究领域，2D视觉的研究内容包括：目标识别、目标跟踪、视频内容理解等；3D视觉的研究内容包括：基于图像的三维重建、目标三维姿态估计等。
从知识结构出发当下，2D视觉领域被基于学习的方法统治，比如深度学习；3D视觉领域仍以基于几何的方法为主，虽然最近也出现了不少基于学习的方法的paper。基于学习的方法最火的就是深度学习，而基于几何方法最火的就是视觉SLAM。
以深度神经网络为模板的深度学习，在可解释之前，已经没有了exciting的进展，大多数研究在于网络结构调整，或者与其他经典的机器学习范式相结合（比如图深度学习，GraphDL）；视觉SLAM相关理论也已经发展到了一定的成熟度，更多的关注在于解决落地产业化时遇到的问题。
但站在发表论文的角度讲，机器学习（尤其是深度学习）相对更容易一些，但大多数应用方向都已经被灌得差不多了；视觉SLAM方向发表论文主要集中在两方面：一是与基于学习的方法结合，比如与深度学习结合；二是与新的传感器融合，达到更好的效果，比如Event Camera。
从企业需求出发今年大家普遍反馈竞争更加激烈，企业招聘过程中，更多的注重基础理论是否扎实，岗位与研究领域是否match。
尤其是在2D视觉领域，由于门槛相对比较低，部分人认为懂深度学习模型，跑过几个数据集，就可以了，结果简历面都过不了。会训模型和调参数就可以拿到高薪的时代已经过去了。
3D视觉领域，今年招聘岗位和薪资，都有了较大幅度的提升，究其原因在于人才稀缺。这是一个门槛比较高的领域，需要具备非常强的编程能力，以及数学基础（矩阵、优化等）。我们本身就处于3D世界中，相信3D视觉领域在逐渐迎来属于自己的春天。
建议人工智能知识博大精深，各领域深度交叉融合。唯有深挖一个方向，夯实基础，才会立于不败之地，才会等来属于自己的机遇。
切忌广泛涉猎，但又浅尝辄止；切忌疏于实践，纸上谈兵。
怕什么真理无穷，进一寸有一寸的欢喜！
------------------------
深蓝学院：专注人工智能的在线教育
■网友
利益相关：SLAM方向的PhD。
一句话答案：SLAM和机器学习完全不是一个量级的领域，机器学习是一个大得多的领域，机会多得多。以前一个我的答案有更详细的讨论：
自动化专业如何转slam岗或者机器学习算法岗？还有，题主说视觉SLAM比较难发paper。我觉着题主不太用担心这个，视觉SLAM和机器学习都有很多可以做的，都能发比较好的paper。
■网友
题主所纠结的两个方向，视觉SLAM和机器学习，我在《零基础小白，如何入门计算机视觉？》中我提到过，计算机视觉的研究目前主要分为两大方向：基于学习的方法和基于几何的方法。其中基于学习的方法最火的就是深度学习，而基于几何方法最火的就是视觉SLAM。
先给出自己的观点（仅供参考）
短期来看，就硕士而言，因为时间比较紧，深度学习方向更适合，因为门槛相对低，入门快。
长期来看，就博士而言，视觉SLAM方向更适合。因为门槛较高，入门慢，需求持续增长。
下面就SLAM的发展趋势聊一下自己的看法：
我认为SLAM将成为计算机视觉的下一个风口
在前几年计算机视觉的三大顶级会议（CVPR,ICCV,ECCV）上，几乎全是深度学习的研究，而这样的情况在这两年出现了新的变化：在2018年计算机视觉国际顶级会议 CVPR论文录用名单中，其中涉及SLAM/三维视觉 的工作超过 90 篇，占据了全体收录论文的近 1/10。
2018年参加校招和社招的小伙伴也向我透露，今年深度学习方向的竞争非常激烈，想要拿到较好的offer，要么有牛叉闪闪的论文，要么是大牛实验室有过硬的项目经验，难度比前几年大大提升。而今年SLAM方向的需求量上升而相关从业者相对较少，相对还比较容易，类似几年前深度学习刚刚火起来之前的样子。可以预见，SLAM将成为继深度学习之后计算机视觉领域的下一个风口。我个人认为主要有以下几个依据：
推荐阅读
- 电话营销机器人哪个比较好用
- 硕士研究生选通信还是计算机视觉
- 请问有哪些机器人大赛是比较权威的
- 视觉|【干货】0~3岁婴幼儿视力发育流程
- 既然c程序编译为机器码直接操作硬件，为啥不同操作系统下需要重新编译
- 百度云盘怎样审核
- 北京全景视觉网络科技股份有限公司是干啥的
- 计算机视觉在互联网、电子商务中有哪些应用前景
- 到底何为生命
- 拥有视觉设计能力学编程比单纯的工程师有哪些优势