Está.
Cuando estaba aprendiendo acerca de la visión por computadora (CV), probé muchas ideas diferentes, muchas de las cuales nunca funcionaron, pero luego aprendí mucho de los casos de falla, probablemente más que de los casos de éxito.
Recuerdo que implementé la esquina de Harris y la diferencia del detector gaussiano (DoG) como un ejercicio de aprendizaje antes de crear mi propio detector de región saliente.
- ¿Es posible heapify un árbol binario a un montón sin usar array?
- ¿Cómo se usa la similitud de coseno con el algoritmo K-means?
- Cómo convertirse en un maestro de algoritmos C y estructuras de datos
- Cómo enmarcar mi idea de algoritmo para que alguien que escribe algoritmos pueda entenderlo
- ¿Qué software / algoritmo se usa para hacer partidos de la liga de fútbol o cualquier evento deportivo enorme?
Implementar un detector de esquina desde cero puede ayudarlo a flexionar su músculo mental y puede actuar como un desafío a lo que sabe sobre CV. Mucha gente piensa que no hay necesidad de tales detectores porque los modelos de extremo a extremo parecen estar volviéndose más convencionales, pero estos detectores de esquina son importantes para tareas como las tareas de visión por computadora en 3D.
Más importante aún, dicho conocimiento puede ser útil cuando se combina con enfoques más modernos.
Por lo tanto, codificar un detector de esquina desde cero es definitivamente un buen ejercicio.
Una regla general es que para campos complejos, enormemente sin resolver, como CV, cualquier conocimiento que obtenga es muy valioso, porque la innovación proviene de muchas fuentes. Si restringió su conocimiento a una cosa, le resultará difícil encontrar soluciones novedosas para los problemas de CV.
Es por eso que cualquier cosa simple que haga o aprenda es una valiosa adición a su conocimiento.
Espero que esto ayude.
