CV/NLP哪个方向更好？

图像更多的是感知，自然语言是认知。

基于图像与自然语言的本质不同，我认为cv和nlp有几个区别：

1、难度

图像是计算机对现实世界的抽象，计算机理解计算机，相对简单；自然语言是人类对现实世界的抽象，人抽象世界的方式太复杂了（一词多义等），计算机理解起来有难度。尤其得益于深度学习的发展，cv的特征工程由模型自动抽取，更降低了cv的门槛。要知道，当年深度学习不火的时候，大家还在学习图像处理，各种预处理、边缘检测、分割算法，想做图像也不像现在门槛这么低。

2、数据

最主要的，nlp质量高的训练数据少（标注数据），简单想一下，想做dependency parsing，这数据真不是你想标就能标的。。。而且nlp本身是无结构数据，一词多义，甚至多词一义，一句多义（不同人理解不同），多句一义，不说机器如何理解，人来标注数据时，对一句话的认知程度也不一定相同。尤其自然语言处理任务的评价指标，用统计方法很难有效的评估模型能力。

相比来讲，cv的数据标注、理解歧义更小，结果更容易评估。

3、发展现状

cv的效果比nlp的效果更好，市场上投资更多，从独角兽公司比例就可窥见一二，cv有商汤、旷视等等：

当然了，这也导致cv的从业人员多于nlp，去年秋招做cv的同学比做nlp的同学要压力大一些。

个人认为，近两年，两类问题都是用深度模型来做，没啥本质区别，你感兴趣什么就做什么。我觉得深度网络能到达的效果是有上限的，cv的发展更好，但是代表cv更成熟，更贴近这个上限。nlp虽然发展空间更大，但是目前阶段来讲坑实在太多了。。

但是也看你对自己的定位了，如果不做科研，就我了解，好多公司相比于精妙的算法，更看重的是算法的快速迭代上线。

最后的最后，你可以做image caption呀，啥都有了。

欢迎交流关注～