计算机视觉入门学习路线

计算机视觉背景

发展

近年来，随着可用于面部识别或自动驾驶系统等对象识别任务的深度学习算法的发展，计算机视觉得到了显著发展。卷积神经网络 (CNN) 的使用使研究人员能够开发强大的模型，即使使用少量训练数据也能准确识别图像——这一过程称为迁移学习。与支持向量机或决策树等传统机器学习方法相比，这进一步提高了其准确性和性能水平。

应用

计算机视觉的应用范围广泛而多样：

• 医学诊断工具，如 X 射线成像分析软件
• 安全措施，例如生物特征认证系统
• 通过机器人手臂控制程序实现工业自动化
• 娱乐技术，如增强现实游戏或零售店的虚拟试衣间

所有这些都严重依赖计算机视觉技术！

此外，许多公司使用此技术通过使用图像处理技术（例如文本检测/识别和光学字符读取(OCR)）来自动化其业务流程。这些自动化解决方案有助于降低成本，同时提高全球多个行业的效率。

学习计算机视觉需要具备的知识储备有：

1、图像处理的知识。图像处理大致包括的内容：光学成像基础、颜色、滤波器、局部图像特征、图像纹理、图像配等。

2、立体视觉的知识。立体视觉大致包括的内容：相机几何模型、双目视觉、从运动中恢复物体结构、三维重建技术等。

3、人工智能的知识。人工智能大致包括的内容：场景理解与分析、模式识别、图像搜索、数据挖掘、深度学习等。

4、与计算机视觉相关的学科还有：机器视觉、数字图像处理、医学成像、摄影测量、传感器等。

以下是建议的计算机视觉基础学习路线——

1、数学基础：线性代数、概率论、统计学和微积分等数学基础知识对于理解计算机视觉中的算法和技术至关重要。

2、编程基础：熟练掌握至少一门编程语言（如Python），学习数据结构、算法和编程思想，例如面向对象编程、函数式编程等。

3、图像处理：了解图像处理的基础知识，包括数字图像的表示、变换和滤波等。

4、计算机视觉算法：了解计算机视觉中常用的算法，例如边缘检测、图像分割、目标检测和跟踪等。同时，要掌握各种计算机视觉算法的实现方式和优化方法。

5、机器学习：了解机器学习的基础理论和算法，例如支持向量机、决策树、随机森林、神经网络等。掌握机器学习算法的实现和调参方法。

6、深度学习：深度学习是计算机视觉中的热门技术之一。需要学习深度学习的基础知识，例如卷积神经网络、循环神经网络、生成对抗网络等。

7、实践项目：通过实践项目加深对计算机视觉知识的理解和掌握，例如人脸识别、物体识别、图像风格转换等。

CV学习路线

以下罗列一下常用document和网站

竞赛

kaggle、阿里天池

document

编程工具：Python、PyTorch、OpenCV

代码库

图像分类：pytorch-image-models 基本上涵盖所有主流网络

目标检测: MMDetection、Detectron2 这两个都是优秀的代码库，值得学习借鉴

查阅各个领域的最新进展，可以查阅这个网站，会记录一些sota的paper和code链接：paper-with-code

学习视频

机器学习：李宏毅机器学习

计算机视觉：李飞飞cs231n

经典paper解析：AI百篇经典论文

如果非要买书，机器学习可以买一些书籍，比如统计学习方法、西瓜书