视觉SLAM与机器学习哪个发展前景更好( 二 )
1、深度学习在检测、识别领域具有无比强大的能力，但是在涉及多视角几何相关的SLAM领域，深度学习的作用非常有限。究其原因是因为在多视角几何为基础的SLAM领域，需要明确清晰的理论基础保证，而深度学习的「黑盒子」模型目前还不太奏效。
2、SLAM技术门槛较高。深度学习爆发后，很多非计算机视觉领域的从业者纷纷转而学习深度学习，由于深度学习本身黑盒子的特点，很多从业者不需要了解图像处理、计算机视觉的基础知识便可以得到一个相对较好的结果，因此入门门槛并不是很高。
而学习SLAM则需要具备三维空间刚体变换、相机成像模型、特征点提取与匹配、多视角几何、捆集调整等内容。这对于非该领域的从业者来说还是具有较高的门槛。
3、消费级RGB-D相机快速发展催生了以三维视觉为基础的商业化应用。以微软Kinect系列、Intel realsense系列、苹果、英飞凌、TI等为代表的消费级RGB-D相机逐渐形成成熟的产业链，国内也涌现出大量的优秀企业并量产，如orbbec、pico、human+、爱观、图漾、艾芯智能、知微传感等。此外，2017年iPhone X前置结构光深度相机面世后，更是激发了手机产业链RGB-D相机的热潮，目前苹果、三星、华为、小米、OPPO、VIVO等手机大厂都在积极推动RGB-D相机在手机上的应用。
4、目前计算机视觉领域主要还是通过二维的图片来感知世界，而三维视觉才是人类感知理解世界的正确方式，因此以三维视觉为基础的SLAM技术是智能移动机器人、无人驾驶、AR等人工智能细分领域的核心技术。
【视觉SLAM与机器学习哪个发展前景更好】 总之，SLAM前景光明但门槛 较高，楼主自己权衡。
更多详细内容见原文链接：《为什么要学SLAM？》
关注【计算机视觉life】公众号或者公众号后台回复“slam”，即可获得悉心整理的SLAM资料，包括：计算机视觉入门书籍、SLAM相关书籍、VIO相关总结资料、SLAM研讨会PPT（资料持续更新）
■网友
slam是解决一个特定问题的技术。
机器学习，我更愿意把它当做一种信息处理方法。自然语言会用到机器学习，计算机视觉里的识别，探测，跟踪等也会用到机器学习，同样，slam里也会用到机器学习。。。
至于哪个前景好，这是个主观问题，我也不知道答案。但不管是比较火的自然语言，计算机视觉，还是现在的slam，都是难度非常大的方向，这里说的难度大，不是说入门难度大，而在于问题本身，是困扰计算机科学家大半世纪一直没有解决的难题。
还有，为什么题主非要把自己绑定在一个理论方向上呢？你可以换个思路，从解决某一问题的角度出发去做选择。比如你选择计算机视觉，当前主流的是深度学习技术，问题驱动当然会使你去学习深度学习相关内容。但以后也许出现了比机器学习更好的理论，那就去学习新的理论呗。
总之，我个人的态度就是，从解决问题的角度出发，一直保持学习的姿态。你说的这些领域，都远没有成熟。未来被新理论取代的概率很大。如果一直没有取代它们的理论，那恰好说明这个方向没有生存下来的活力。
■网友
个人看法：
SLAM 学习门槛高，对数学，编程能力，都具有比机器学习、深度学习更高的门槛，研究方面，较为成熟，也能较好的落地
机器学习、深度学习方面：如楼上各位所说，更像是一门工具，虽然在研究方面想有较强的突破并不容易，但如果仅仅只是“掌握，应用”，对于学习SLAM的学者来说，并不难，并且，在SLAM 的研究，以及机器学习方向的工作需求，大多也仅需要“会用”
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