每天2小時，吃透985博士總結(jié)的這份目標檢測、CNN、OpenCV學習筆記（20G視頻/PPT/代碼)
AI 顯然是最近幾年非常火的一個新技術(shù)方向，從幾年前大家認識到 AI 的能力，到現(xiàn)在產(chǎn)業(yè)里已經(jīng)在普遍的探討 AI 如何落地了。
我們可以預言未來在很多的領域，很多的行業(yè)，AI 都會在里邊起到重要的作用。
隨著AI的不斷持續(xù)火熱，越來越多的人才涌入進來，但我發(fā)現(xiàn)一個行業(yè)現(xiàn)象：人才短缺，工程師過剩。
目前在商業(yè)中有所應用，而且能夠創(chuàng)收的只有搜索推薦和計算機視覺，因此，這兩個方向的人力缺口很大，尤其是計算機視覺。
前兩年校招時可以看到，互聯(lián)網(wǎng)、IT、生物醫(yī)藥、汽車安防等等行業(yè)，幾乎都會有計算機視覺的崗位。
所以，很多其他方向的同學開始紛紛轉(zhuǎn)向，隨著大潮流投入計算機視覺這個方向，為什么這么多人投入計算機視覺方向？我認為有以下幾個原因：
入門容易
模型成熟
人才缺口大
熱度高，名氣大
其他的暫且不說，就著重的說一下入門容易和模型成熟這兩點。
目前入門CV的常用套路就是：
看吳恩達《機器學習》《深度學習》課程，學一點機器學習的知識。
讀幾篇CV模型的文章，了解一下經(jīng)典的Alexnet、R-CNN系列、YOLO等。
在github上找?guī)讉€tensorflow、pytorch實現(xiàn)上述模型的開源代碼。
下載VOC、ImageNet、COCO、kaggle等數(shù)據(jù)集。
按照開源代碼中的Readme準備一下數(shù)據(jù)集，跑一下結(jié)果。
但好多初學者學了兩個月、跑了幾次結(jié)果后就認為已經(jīng)入行CV了，其實不然，這里面有一個需要注意的問題：計算機視覺屬于圖像處理的范疇，而很多人卻把它當成機器學習來看待。
然而實際上幾乎80%的CV的從業(yè)者都沒有從頭至尾深入的學習圖像處理方面的知識。
現(xiàn)在有了深度學習，不需要人為提取特征了，所以很多人不再關(guān)注圖像底層的信息，而是直接越過這個根基去搭建模型，我覺得這是一個誤區(qū)。
不同領域的圖像，例如OCT、MR、遙感、自然圖像等等，有著巨大的特征差異，對這些特征差異性都不了解，怎么在搭建模型之后對精度進行提升和改進呢？怎么在原來模型的基礎上做一些改變呢？
因此，我認為好好學習一下圖像預處理、后處理的知識對CV有著至關(guān)重要的作用，例如圖像去噪、分割、增強、增廣等等。
