AI 顯然是最近幾年非?；鸬囊粋€新技術方向，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。

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。

?

目前入門CV的常用套路就是：

?

1. 看吳恩達《機器學習》《深度學習》課程，學一點機器學習的知識。

2. 讀幾篇CV模型的文章，了解一下經(jīng)典的Alexnet、R-CNN系列、YOLO等。

3. 在github上找?guī)讉€tensorflow、pytorch實現(xiàn)上述模型的開源代碼。

4. 下載VOC、ImageNet、COCO、kaggle等數(shù)據(jù)集。

5. 按照開源代碼中的Readme準備一下數(shù)據(jù)集，跑一下結果。

但好多初學者學了兩個月、跑了幾次結果后就認為已經(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有著至關重要的作用，例如圖像去噪、分割、增強、增廣等等。

學習心態(tài)：

日拱一卒，不期速成～

早就是優(yōu)勢，早學早受益！

然而網(wǎng)上很多教程也比較碎片，鑒于此，整理一條學習路線，跟著這個路線重新去梳理一下你的學習計劃，相信計算機視覺水平一定會有質的提升。

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

• 左右手坐標系及轉換

• 萬向鎖

• 旋轉矩陣

• 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

該視頻出品人是王小天，目前就職于BAT之一，AI算法高級技術專家，法國TOP3高校雙碩（計算機科學和數(shù)學應用雙碩士）畢業(yè)。

??長按下方二維碼 2 秒

立即領取

（添加小助理人數(shù)較多，請耐心等待）

他在人工智能和芯片領域發(fā)表10余篇論文，具有深厚的學術背景和豐富的項目及業(yè)務落地經(jīng)驗。

?

工作期間主要負責人工智能業(yè)務線CV與NLP相關算法工作，推進人機混合智能、語義分割、機器翻譯、虹膜識別等模塊的核心算法研究與優(yōu)化。

?

對圖像分類、物體檢測、目標跟蹤、自動駕駛、計算機體系結構等有深入的研究。

他兼具理論與實戰(zhàn)落地經(jīng)驗，深知初學者學習痛點。說實話，這樣資歷的人，很難得。

這份教程是他8年人工領域實戰(zhàn)經(jīng)驗的凝練，通過講解和實戰(zhàn)操作，讓你能做到獨立搭建和設計卷積神經(jīng)網(wǎng)絡（包括主流分類和檢測網(wǎng)絡），從檢測模型教學逐步深入，幫你輕松掌握目標檢測，并進行神經(jīng)網(wǎng)絡的訓練和推理解決各種CV問題。

他對學習者的建議：計算機視覺的提升不在于搭建模型，而在于不斷調優(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%的精度調到95%以上中積累出經(jīng)驗。

而很多CV從業(yè)者覺得搭建出模型就告一段落，反反復復用不同的方式去搭建模型，先是tensorflow搭建完用pytorch搭，pytorch完事后用mxnet再來一遍，Python搭完用c/c++搭，但是至始至終沒在精度和經(jīng)驗方面做出前進。

由于工作需要，這份教程我本人也在學習中，雖然已經(jīng)從事這個行業(yè)多年，再看這份教程的時候，仍然能查漏補缺，收獲滿滿，我相信不管是AI入門，還是已經(jīng)具備了一定的工作經(jīng)驗，這份學習資料，都值得你去認真學習研究。

所有以上相關的的內容全部都已經(jīng)打包好了，匯總成了一份百度云的鏈接，小貼心之處是怕有的兄弟沒有買百度云會員的朋友，能用2MB+/S的速度下載，還特地給大家準備了下載工具。