双一流博士整理的计算机视觉学习路线（深度学习+传统图像处理）

双一流博士整理的计算机视觉学习路线（深度学习+传统图像处理）

因工作需要，年初花了4个月左右时间学习了机器学习、神经网络相关的知识，工作日每天大概学习4-6个小时，周末每天大概10个小时，工作中的需求应对也得心应手了。想快速入门的话，从自己的经验看，可以先不看高等数学和线性代数，因为机器学习和深度学习中涉及的相关知识并不多。视觉的知识部分建议分成两部分学习，第一部分传统图像处理，第二部分基于深度学习的图像处理。但我发现，几乎80%的CVer 都没有从头至尾深入的学习图像处理方面的知识。现在有了深度学习，不需要人为提取特征了，所以很多人不再关注图像底层的信息，而是直接越过这个根基去搭建模型，我觉得这是一个误区。计算机视觉的提升不在于搭建模型，而在于不断调优、改进过程中积累的经验。我们该怎么针对不同领域的图像设置不同的参数？其中包括卷积核大小、网络架构、初始权重等等，不可能拿到一个模型，既适合医学图像，又适合人脸识别，这其中就需要n次从70%的精度调到95%以上中积累出经验。如果你决心要在这个领域深耕，那么图像底层方面的知识坚决不可跨越的，欲速则不达。分享一套当时我学习过的教程，有视频、代码、PPT等，帮助大家打好基础。跟着这个路线重新去梳理一下你的学习路线，相信计算机视觉水平一定会有质的提升。资源已经整理好了，文末附-方式！以下是详细内容介绍～  第一章：机器学习与计算机视觉计算机视觉简介技术背景了解人工智能方向、热点计算机视觉简介cv简介cv技能树构建应用领域机器学习的数学基础线性与非线性变换概率学基础熵kl散度梯度下降法计算机视觉与机器学习基础图像和视频图像的取样与量化滤波直方图上采样下采样卷积直方图均衡化算法最近邻差值单/双线性差值特征选择与特征提取特征选择方法filter等特征提取方法：PCA、LDA、SVD等边缘提取CannyRobertsSobelPrewittHessian特征Haar特征相机模型小孔成像模型相机模型镜头畸变透视变换计算机视觉与机器学习进阶聚类算法kmeans层次聚类密度聚类谱聚类坐标变换与视觉测量左右手坐标系及转换万向锁旋转矩阵四元数三维计算机视觉立体视觉多视几何SIFT算法三维计算机视觉与点云模型PCL点云模型spin image三维重构SFM算法图像滤波器直通滤波体素滤波双边滤波器条件滤波半径滤波图像增加噪声与降噪OpenCV详解OpenCV算法解析线性拟合最小二乘法RANSAC算法哈希算法DCT算法汉明距离图像相似度第二章：深度学习与计算机视觉神经网络深度学习与神经网络深度学习简介基本的深度学习架构神经元激活函数详解（sigmoid、tanh、relu等）感性认识隐藏层如何定义网络层损失函数推理和训练神经网络的推理和训练bp算法详解归一化Batch Normalization详解解决过拟合dropoutsoftmax手推神经网络的训练过程从零开始训练神经网络使用python从零开始实现神经网络训练构建神经网络的经验总结深度学习开源框架pytorchtensorflowcaffemxnetkeras优化器详解(GD,SGD,RMSprop等

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。