因工作需要，年初花了4個(gè)月左右時(shí)間學(xué)習(xí)了機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)相關(guān)的知識(shí)，工作日每天大概學(xué)習(xí)4-6個(gè)小時(shí)，周末每天大概10個(gè)小時(shí)，工作中的需求應(yīng)對(duì)也得心應(yīng)手了。

想快速入門的話，從自己的經(jīng)驗(yàn)看，可以先不看高等數(shù)學(xué)和線性代數(shù)，因?yàn)闄C(jī)器學(xué)習(xí)和深度學(xué)習(xí)中涉及的相關(guān)知識(shí)并不多。

視覺的知識(shí)部分建議分成兩部分學(xué)習(xí)，第一部分傳統(tǒng)圖像處理，第二部分基于深度學(xué)習(xí)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(xué)習(xí)圖像處理方面的知識(shí)。

現(xiàn)在有了深度學(xué)習(xí)，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(gè)根基去搭建模型，我覺得這是一個(gè)誤區(qū)。

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

我們?cè)撛趺瘁槍?duì)不同領(lǐng)域的圖像設(shè)置不同的參數(shù)？其中包括卷積核大小、網(wǎng)絡(luò)架構(gòu)、初始權(quán)重等等，不可能拿到一個(gè)模型，既適合醫(yī)學(xué)圖像，又適合人臉識(shí)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(yàn)。

如果你決心要在這個(gè)領(lǐng)域深耕，那么圖像底層方面的知識(shí)堅(jiān)決不可跨越的，欲速則不達(dá)。

分享一套當(dāng)時(shí)我學(xué)習(xí)過的教程，有視頻、代碼、PPT等，幫助大家打好基礎(chǔ)。

跟著這個(gè)路線重新去梳理一下你的學(xué)習(xí)路線，相信計(jì)算機(jī)視覺水平一定會(huì)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(xì)內(nèi)容介紹～ 

 第一章：機(jī)器學(xué)習(xí)與計(jì)算機(jī)視覺

計(jì)算機(jī)視覺簡(jiǎn)介

技術(shù)背景

• 了解人工智能方向、熱點(diǎn)

計(jì)算機(jī)視覺簡(jiǎn)介

• cv簡(jiǎn)介

• cv技能樹構(gòu)建

• 應(yīng)用領(lǐng)域

機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)

• 線性與非線性變換

• 概率學(xué)基礎(chǔ)

• 熵

• kl散度

• 梯度下降法

計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)基礎(chǔ)

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(jī)模型

• 小孔成像模型

• 相機(jī)模型

• 鏡頭畸變

• 透視變換

計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)進(jìn)階

聚類算法

• kmeans

• 層次聚類

• 密度聚類

• 譜聚類

坐標(biāo)變換與視覺測(cè)量

• 左右手坐標(biāo)系及轉(zhuǎn)換

• 萬向鎖

• 旋轉(zhuǎn)矩陣

• 四元數(shù)

三維計(jì)算機(jī)視覺

• 立體視覺

• 多視幾何

• SIFT算法

三維計(jì)算機(jī)視覺與點(diǎn)云模型

• PCL點(diǎn)云模型

• spin image

• 三維重構(gòu)

• 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(xué)習(xí)與計(jì)算機(jī)視覺

神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

• 深度學(xué)習(xí)簡(jiǎn)介

• 基本的深度學(xué)習(xí)架構(gòu)

• 神經(jīng)元

• 激活函數(shù)詳解（sigmoid、tanh、relu等）

• 感性認(rèn)識(shí)隱藏層

• 如何定義網(wǎng)絡(luò)層

• 損失函數(shù)

推理和訓(xùn)練

• 神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)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(luò)的訓(xùn)練過程

從零開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)

• 使用python從零開始實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練

• 構(gòu)建神經(jīng)網(wǎng)絡(luò)的經(jīng)驗(yàn)總結(jié)

深度學(xué)習(xí)開源框架

• pytorch

• tensorflow

• caffe

• mxnet

• keras

• 優(yōu)化器詳解(GD,SGD,RMSprop等