點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

本文轉(zhuǎn)載自：深度學(xué)習(xí)與計(jì)算機(jī)視覺

介紹

如今有大量的資源可以用來學(xué)習(xí)計(jì)算機(jī)視覺技術(shù)，那我們?nèi)绾螐谋姸嘟坛讨羞M(jìn)行選擇呢？哪個(gè)值得我們?nèi)ネ度霑r(shí)間呢？

如果你也遇到這些問題，那么恭喜你來對地方了。我們通過理解數(shù)百種資源來選擇值得你花費(fèi)時(shí)間的資源-這就是我們首先推出本文的主要原因之一。

去年，我們廣泛地專注于兩個(gè)技術(shù)的學(xué)習(xí)方法——機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，但是我們的社區(qū)需要更細(xì)化的學(xué)習(xí)路徑——一個(gè)結(jié)構(gòu)化的計(jì)算機(jī)視覺學(xué)習(xí)路徑。

這是可以理解的，因?yàn)橛?jì)算機(jī)視覺專家的需求和價(jià)值在業(yè)界遙遙領(lǐng)先。專門研究計(jì)算機(jī)視覺及其不同方面，你會看到大量招聘人員試圖接近你。

我記得當(dāng)我開始自己的計(jì)算機(jī)視覺之旅時(shí)，我同時(shí)參考了多種資源——書籍、文章(當(dāng)時(shí)并不多)、YouTube視頻等等。

因此，我很高興有機(jī)會為你整理這種結(jié)構(gòu)化的計(jì)算機(jī)視覺學(xué)習(xí)路徑。在開始學(xué)習(xí)之前，讓我們了解一下為簡化你的學(xué)習(xí)過程而構(gòu)建的框架。

我們的計(jì)算機(jī)視覺學(xué)習(xí)路徑框架

每個(gè)月都要有其對應(yīng)的學(xué)習(xí)結(jié)構(gòu)，這是我們對每個(gè)月需要了解的不同方面進(jìn)行分類的方式：

• 目標(biāo)：這個(gè)月你會學(xué)到什么？關(guān)鍵要點(diǎn)是什么？你的計(jì)算機(jī)視覺之旅將如何進(jìn)行？我們會在每個(gè)月初提及此問題，以確保你知道該月底的立場以及所處的位置
• 建議時(shí)間：你每周平均應(yīng)在該部分上花費(fèi)多少時(shí)間
• 學(xué)習(xí)資源：該月你將學(xué)習(xí)的計(jì)算機(jī)視覺主題的頂級資源集合，其中包括文章，教程，視頻，研究論文和其他類似資源

你可以在此處下載該學(xué)習(xí)路徑的相應(yīng)信息圖。

• https://discuss.analyticsvidhya.com/t/heres-your-learning-path-to-master-computer-vision-in-2020/87785

在數(shù)據(jù)科學(xué)領(lǐng)域?qū)ふ移渌麑W(xué)習(xí)途徑？別擔(dān)心，我們?yōu)槟闾峁┝耍?/span>

• 2020年成為數(shù)據(jù)科學(xué)家和掌握機(jī)器學(xué)習(xí)的學(xué)習(xí)之路
• https://www.analyticsvidhya.com/blog/2020/01/learning-path-data-scientist-machine-learning-2020
• 2020年掌握深度學(xué)習(xí)的學(xué)習(xí)道路
• https://www.analyticsvidhya.com/blog/2020/01/comprehensive-learning-path-deep-learning-2020
• 自然語言處理（NLP）學(xué)習(xí)路徑
• https://www.analyticsvidhya.com/blog/2020/01/learning-path-nlp-2020

第1個(gè)月 – 涵蓋基礎(chǔ)知識：Python與統(tǒng)計(jì)

目標(biāo)：到第一個(gè)月末，你將對什么是計(jì)算機(jī)視覺有基本的了解。你還將對Python和Statistics（計(jì)算機(jī)視覺之旅中的兩個(gè)核心主題）有一定的知識儲備。

建議時(shí)間：每周5-6小時(shí)

計(jì)算機(jī)視覺的介紹和動(dòng)機(jī)：SAS計(jì)算機(jī)視覺教程：它是什么，它為什么重要：https://www.sas.com/en_in/insights/analytics/computer-vision.html

OpenCV中文官方教程v4.1（可選）：

http://woshicver.com

先決條件：

Python：Analytics Vidhya撰寫的Python課程

• https://courses.analyticsvidhya.com/courses/introduction-to-data-science

統(tǒng)計(jì)：可汗學(xué)院的描述性統(tǒng)計(jì)

• https://www.khanacademy.org/math/engageny-alg-1/alg1-2

第2個(gè)月 – 使用機(jī)器學(xué)習(xí)解決圖像分類問題

目標(biāo)：你將對機(jī)器學(xué)習(xí)有基本的了解。你應(yīng)該熟悉不同的圖像預(yù)處理技術(shù)，并能夠使用機(jī)器學(xué)習(xí)模型解決圖像分類問題。

建議時(shí)間：每周5-6小時(shí)

機(jī)器學(xué)習(xí)基礎(chǔ)：

• 機(jī)器學(xué)習(xí)基礎(chǔ)
• https://www.analyticsvidhya.com/blog/2015/06/machine-learning-basics/
• sklearn中文官方教程0.22.1（可選）：
• http://sklearn123.com
• 線性回歸
• https://www.analyticsvidhya.com/blog/2017/06/a-comprehensive-guide-for-linear-ridge-and-lasso-regression/
• 邏輯回歸
• https://www.analyticsvidhya.com/blog/2015/10/basics-logistic-regression/
• 斯坦福大學(xué)-機(jī)器學(xué)習(xí)的動(dòng)機(jī)與應(yīng)用
• https://see.stanford.edu/Course/CS229/47
• 斯坦福大學(xué)的“過擬合”和“過擬合”的概念
• https://see.stanford.edu/Course/CS229/42

圖像預(yù)處理：

• 從圖像中提取特征的3種技術(shù)
• https://www.analyticsvidhya.com/blog/2019/08/3-techniques-extract-features-from-image-data-machine-learning-python/
• HOG特征
• https://www.analyticsvidhya.com/blog/2019/09/feature-engineering-images-introduction-hog-feature-descriptor/
• SIFT特征
• https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/

使用機(jī)器學(xué)習(xí)進(jìn)行圖像分類：

• 使用邏輯回歸進(jìn)行圖像分類
• https://www.kaggle.com/gulsahdemiryurek/image-classification-with-logistic-regression
• 使用Logistic回歸進(jìn)行圖像分類
• https://mmlind.github.io/Using_Logistic_Regression_to_solve_MNIST/

項(xiàng)目：識別服裝

• https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-apparels/

第三個(gè)月 – ?Keras和神經(jīng)網(wǎng)絡(luò)簡介

目標(biāo)：你將學(xué)習(xí)最常用的深度學(xué)習(xí)工具之一-Keras，你還將了解什么是神經(jīng)網(wǎng)絡(luò)以及它們?nèi)绾喂ぷ鳎饺碌祝銓⒛軌蚴褂蒙窠?jīng)網(wǎng)絡(luò)解決圖像分類問題。

建議時(shí)間：每周4-5小時(shí)

學(xué)習(xí)Keras：

• Keras文檔
• https://keras.io/
• 使用Keras構(gòu)建神經(jīng)網(wǎng)絡(luò)
• https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/

神經(jīng)網(wǎng)絡(luò)簡介：

• 從零開始的神經(jīng)網(wǎng)絡(luò)
• https://www.analyticsvidhya.com/blog/2017/05/neural-network-from-scratch-in-python-and-r/
• 斯坦福大學(xué)神經(jīng)網(wǎng)絡(luò)簡介
• https://youtu.be/d14TUNcbn1k
• 3Blue1Brown的神經(jīng)網(wǎng)絡(luò)：
• https://youtu.be/aircAruvnKk

項(xiàng)目：識別服裝

• https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-apparels/

第4個(gè)月 – 了解卷積神經(jīng)網(wǎng)絡(luò)（CNN），遷移學(xué)習(xí)和參加比賽

目標(biāo)：我想將其稱為計(jì)算機(jī)視覺之旅中的“進(jìn)階”月份。隨著卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的引入，學(xué)習(xí)也更上一層樓，這些cnn是我們最近看到的許多計(jì)算機(jī)視覺應(yīng)用的幕后推手，包括目標(biāo)檢測。在你的旅程中，你也應(yīng)該通過參加比賽來鍛煉自己。

建議時(shí)間：每周6-7小時(shí)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）簡介：

• 卷積神經(jīng)網(wǎng)絡(luò)（CNN）簡化
• https://www.analyticsvidhya.com/blog/2017/06/architecture-of-convolutional-neural-networks-simplified-demystified
• 斯坦福大學(xué)的卷積神經(jīng)網(wǎng)絡(luò)：
• https://youtu.be/bNb2fEVKeEo

遷移學(xué)習(xí)簡介：

• 掌握遷移學(xué)習(xí)
• https://www.analyticsvidhya.com/blog/2017/06/transfer-learning-the-art-of-fine-tuning-a-pre-trained-model
• 斯坦福大學(xué)實(shí)踐中的ConvNets：
• https://youtu.be/dUTzeP_HTZg

項(xiàng)目：識別數(shù)字：https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits

參加比賽：

• DataHack
• https://datahack.analyticsvidhya.com/contest/all
• Kaggle
• https://www.kaggle.com/competitions

第5個(gè)月 – 解決對象檢測問題

目標(biāo)：對象檢測是一種廣泛使用的計(jì)算機(jī)視覺技術(shù)（也許是使用最廣泛的技術(shù)）。這是吸引我使用計(jì)算機(jī)視覺的原因！這個(gè)月就是要熟悉不同的對象檢測算法。另外，我強(qiáng)烈建議你撰寫到目前為止所學(xué)概念的文章。

建議時(shí)間：每周6-7小時(shí)

解決對象檢測問題：

• 目標(biāo)檢測技術(shù)的分步介紹
• https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1
• 實(shí)現(xiàn)faster RCNN用于目標(biāo)檢測
• https://www.analyticsvidhya.com/blog/2018/11/implementation-faster-r-cnn-python-object-detection
• 使用YOLO進(jìn)行物體檢測
• https://www.analyticsvidhya.com/blog/2018/12/practical-guide-object-detection-yolo-framewor-python
• 斯坦福大學(xué)的物體檢測：
• https://youtu.be/nDPWywWRIRo
• YOLO論文
• https://arxiv.org/pdf/1506.02640.pdf
• YOLO預(yù)訓(xùn)練模型
• https://pjreddie.com/darknet/yolo/

項(xiàng)目：

• 數(shù)臉挑戰(zhàn)
• https://datahack.analyticsvidhya.com/contest/vista-codefest-computer-vision-1
• COCO物體檢測挑戰(zhàn)
• http://cocodataset.org/#download

開始撰寫文章，與社區(qū)互動(dòng)吧！

第6個(gè)月 – 了解圖像分割和注意力模型

目標(biāo)：六月，你將學(xué)習(xí)如何解決圖像分割問題，同時(shí)你還將了解什么是注意力模型（無論在理論上還是在實(shí)踐上）。在這里，你對計(jì)算機(jī)視覺的深入了解才真正開始獲得回報(bào)。

建議時(shí)間：每周6-7小時(shí)

圖像分割簡介：

• 圖像分割技術(shù)的分步介紹
• https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python
• 實(shí)現(xiàn)Mask R-CNN進(jìn)行圖像分割
• https://www.analyticsvidhya.com/blog/2019/07/computer-vision-implementing-mask-r-cnn-image-segmentation
• Mask R-CNN論文
• https://arxiv.org/pdf/1703.06870.pdf
• Mask R-CNN GitHub存儲庫
• https://github.com/matterport/Mask_RCNN

項(xiàng)目：COCO分割挑戰(zhàn)

• http://cocodataset.org/#download

Attention 模型：

• Sequence-to-Sequence Modeling with Attention
• https://www.analyticsvidhya.com/blog/2018/03/essentials-of-deep-learning-sequence-to-sequence-modelling-with-attention-part-i
• Sequence-to-Sequence Models by Stanford
• https://nlp.stanford.edu/~johnhew/public/14-seq2seq.pdf

第7個(gè)月 – 探索深度學(xué)習(xí)工具

目標(biāo)：這是一個(gè)非常有趣的學(xué)習(xí)月！到目前為止，我們已經(jīng)涵蓋了許多計(jì)算機(jī)視覺概念，現(xiàn)在是時(shí)候動(dòng)手使用最先進(jìn)的深度學(xué)習(xí)框架了！這取決于你自己的選擇，但我們建議你現(xiàn)在使用行業(yè)中最常見的兩種工具——PyTorch和TensorFlow。嘗試使用這兩種工具中的任何一種來實(shí)現(xiàn)你到目前為止所涵蓋的所有概念。

建議時(shí)間：每周6-7小時(shí)

PyTorch：

• PyTorch教程
• https://pytorch.org/tutorials/
• PyTorch的初學(xué)者友好指南
• https://www.analyticsvidhya.com/blog/2019/09/introduction-to-pytorch-from-scratch

• PyTorch中文官方教程（可選）
• http://pytorch123.com

TensorFlow：

• TensorFlow教程
• https://www.tensorflow.org/tutorials
• TensorFlow簡介
• https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow

第8個(gè)月 – 了解NLP和圖像字幕的基礎(chǔ)

目標(biāo)：這是你專業(yè)化的開始。這是將你的深度學(xué)習(xí)知識與自然語言處理（NLP）概念結(jié)合起來來解決圖像字幕項(xiàng)目。

建議時(shí)間：每周6-7小時(shí)

自然語言處理（NLP）的基礎(chǔ)知識：

• 斯坦福-詞嵌入：
• https://youtu.be/ERibwqs9p38
• 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）簡介：
• https://youtu.be/UNmqTiOnRfg
• RNN教程
• http://www.wildml.com/2015/10/recurrent-neural-networks-tutorial-part-3-backpropagation-through-time-and-vanishing-gradients/

了解圖像字幕

• 自動(dòng)圖像字幕
• https://cs.stanford.edu/people/karpathy/sfmltalk.pdf
• 使用深度學(xué)習(xí)的圖像字幕
• https://www.analyticsvidhya.com/blog/2018/04/solving-an-image-captioning-task-using-deep-learning

項(xiàng)目：COCO字幕挑戰(zhàn)賽

• http://cocodataset.org/#download

第9個(gè)月 – 熟悉生成對抗網(wǎng)絡(luò)（GAN）

目標(biāo)：9月，你將了解生成對抗網(wǎng)絡(luò)（GAN）。自從Ian Goodfellow于2014年正式推出GAN以來，GANs就火爆了起來。目前，GANs的實(shí)際應(yīng)用很多，包括修復(fù)、生成圖像等。

建議時(shí)間：每周6-7小時(shí)

了解生成對抗網(wǎng)絡(luò)（GAN）：

• Ian Goodfellow的生成對抗網(wǎng)絡(luò)（GAN）：
• https://youtu.be/HGYYEUSm-0Q
• GAN 論文
• https://arxiv.org/pdf/1406.2661.pdf
• 生成對抗網(wǎng)絡(luò)的最新進(jìn)展
• https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8667290
• Keras-GAN
• https://github.com/eriklindernoren/Keras-GAN

第10個(gè)月 – 視頻分析簡介

目標(biāo)：視頻分析是計(jì)算機(jī)視覺中一個(gè)蓬勃發(fā)展的應(yīng)用。到2020年（及以后），對這項(xiàng)技能的需求只增不減，因此學(xué)習(xí)如何使用視頻數(shù)據(jù)集的知識是必要的。

建議時(shí)間：每周5-6小時(shí)

視頻分析簡介：

• 計(jì)算視頻中演員的放映時(shí)間
• https://www.analyticsvidhya.com/blog/2018/09/deep-learning-video-classification-python
• 建立視頻分類模型
• https://www.analyticsvidhya.com/blog/2019/09/step-by-step-deep-learning-tutorial-video-classification-python
• 通過視頻進(jìn)行人臉檢測
• https://www.analyticsvidhya.com/blog/2018/12/introduction-face-detection-video-deep-learning-python

第11個(gè)月和第12個(gè)月 – 解決項(xiàng)目并參加競賽

目標(biāo)：最后兩個(gè)月都是關(guān)于參加多個(gè)項(xiàng)目和競賽來獲得實(shí)踐經(jīng)驗(yàn)的。到目前為止，我們除了學(xué)習(xí)概念外，還涵蓋了多個(gè)項(xiàng)目——現(xiàn)在是時(shí)候在真實(shí)的數(shù)據(jù)集上檢驗(yàn)?zāi)愕膶W(xué)習(xí)成果了。

建議時(shí)間：每周5-6小時(shí)

• 數(shù)字識別器
• https://www.kaggle.com/c/digit-recognizer
• ImageNet對象定位挑戰(zhàn)
• https://www.kaggle.com/c/imagenet-object-localization-challenge
• 年齡檢測
• https://datahack.analyticsvidhya.com/contest/practice-problem-age-detection
• 空中仙人掌鑒定
• https://www.kaggle.com/c/aerial-cactus-identification
• 超聲神經(jīng)分割
• https://www.kaggle.com/c/ultrasound-nerve-segmentation
• 對抗性攻擊防御
• https://www.kaggle.com/c/nips-2017-defense-against-adversarial-attack/overview

信息圖– 2020年計(jì)算機(jī)視覺學(xué)習(xí)之路

學(xué)習(xí)新事物時(shí)跟蹤進(jìn)度是結(jié)構(gòu)化學(xué)習(xí)過程的關(guān)鍵。為了方便在深入研究領(lǐng)域時(shí)勾選所有事項(xiàng)。還有什么比一個(gè)有插圖的清單更好的呢？它逐月列出了計(jì)算機(jī)視覺學(xué)習(xí)的路徑，請看下圖：

參考鏈接：https://www.analyticsvidhya.com/blog/2020/01/computer-vision-learning-path-2020/

下載1：動(dòng)手學(xué)深度學(xué)習(xí)

在「AI算法與圖像處理」公眾號后臺回復(fù)：動(dòng)手學(xué)深度學(xué)習(xí)，即可下載547頁《動(dòng)手學(xué)深度學(xué)習(xí)》電子書和源碼。該書是面向中文讀者的能運(yùn)行、可討論的深度學(xué)習(xí)教科書，它將文字、公式、圖像、代碼和運(yùn)行結(jié)果結(jié)合在一起。本書將全面介紹深度學(xué)習(xí)從模型構(gòu)造到模型訓(xùn)練，以及它們在計(jì)算機(jī)視覺和自然語言處理中的應(yīng)用。

下載2

在「AI算法與圖像處理」公眾號后臺回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載20個(gè)有趣的OpenCV實(shí)戰(zhàn)項(xiàng)目

個(gè)人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱