因工作需要，年初花了4個月左右時間學習了機器學習、神經(jīng)網(wǎng)絡相關的知識，工作日每天大概學習4-6個小時，周末每天大概10個小時，工作中的需求應對也得心應手了。

想快速入門的話，從自己的經(jīng)驗看，可以先不看高等數(shù)學和線性代數(shù)，因為機器學習和深度學習中涉及的相關知識并不多。

視覺的知識部分建議分成兩部分學習，第一部分傳統(tǒng)圖像處理，第二部分基于深度學習的圖像處理。

但我發(fā)現(xiàn)，幾乎80%的CVer 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)。

計算機視覺的提升不在于搭建模型，而在于不斷調(diào)優(yōu)、改進過程中積累的經(jīng)驗。

我們該怎么針對不同領域的圖像設置不同的參數(shù)？其中包括卷積核大小、網(wǎng)絡架構、初始權重等等，不可能拿到一個模型，既適合醫(yī)學圖像，又適合人臉識別，這其中就需要n次從70%的精度調(diào)到95%以上中積累出經(jīng)驗。

如果你決心要在這個領域深耕，那么圖像底層方面的知識堅決不可跨越的，欲速則不達。

分享一套當時我學習過的教程，有視頻、代碼、PPT等，幫助大家打好基礎。

跟著這個路線重新去梳理一下你的學習路線，相信計算機視覺水平一定會有質(zhì)的提升。

資源已經(jīng)整理好了，文末附下載方式！以下是詳細內(nèi)容介紹～ 

 第一章：機器學習與計算機視覺

計算機視覺簡介

技術背景

• 了解人工智能方向、熱點

計算機視覺簡介

• cv簡介

• cv技能樹構建

• 應用領域

機器學習的數(shù)學基礎

• 線性與非線性變換

• 概率學基礎

• 熵

• kl散度

• 梯度下降法

計算機視覺與機器學習基礎

圖像和視頻

• 圖像的取樣與量化

• 濾波

• 直方圖

• 上采樣

• 下采樣

• 卷積

• 直方圖均衡化算法

• 最近鄰差值

• 單/雙線性差值

特征選擇與特征提取

• 特征選擇方法

• filter等

• 特征提取方法：PCA、LDA、SVD等

邊緣提取

• Canny

• Roberts

• Sobel

• Prewitt

• Hessian特征

• Haar特征

相機模型

• 小孔成像模型

• 相機模型

• 鏡頭畸變

• 透視變換

計算機視覺與機器學習進階

聚類算法

• kmeans

• 層次聚類

• 密度聚類

• 譜聚類

坐標變換與視覺測量

• 左右手坐標系及轉(zhuǎn)換

• 萬向鎖

• 旋轉(zhuǎn)矩陣

• 四元數(shù)

三維計算機視覺

• 立體視覺

• 多視幾何

• SIFT算法

三維計算機視覺與點云模型

• PCL點云模型

• spin image

• 三維重構

• SFM算法

圖像濾波器

• 直通濾波

• 體素濾波

• 雙邊濾波器

• 條件濾波

• 半徑濾波

• 圖像增加噪聲與降噪

OpenCV詳解

OpenCV算法解析

• 線性擬合

• 最小二乘法

• RANSAC算法

• 哈希算法

• DCT算法

• 漢明距離

• 圖像相似度

第二章：深度學習與計算機視覺

神經(jīng)網(wǎng)絡

深度學習與神經(jīng)網(wǎng)絡

• 深度學習簡介

• 基本的深度學習架構

• 神經(jīng)元

• 激活函數(shù)詳解（sigmoid、tanh、relu等）

• 感性認識隱藏層

• 如何定義網(wǎng)絡層

• 損失函數(shù)

推理和訓練

• 神經(jīng)網(wǎng)絡的推理和訓練

• bp算法詳解

• 歸一化

• Batch Normalization詳解

• 解決過擬合

• dropout

• softmax

• 手推神經(jīng)網(wǎng)絡的訓練過程

從零開始訓練神經(jīng)網(wǎng)絡

• 使用python從零開始實現(xiàn)神經(jīng)網(wǎng)絡訓練

• 構建神經(jīng)網(wǎng)絡的經(jīng)驗總結

深度學習開源框架

• pytorch

• tensorflow

• caffe

• mxnet

• keras

• 優(yōu)化器詳解(GD,SGD,RMSprop等