AI 顯然是最近幾年非?；鸬囊粋€新技術(shù)方向，從幾年前大家認(rèn)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(yù)言未來在很多的領(lǐng)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(yīng)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(dá)《機器學(xué)習(xí)》《深度學(xué)習(xí)》課程，學(xué)一點機器學(xué)習(xí)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(zhǔn)備一下數(shù)據(jù)集，跑一下結(jié)果。

但好多初學(xué)者學(xué)了兩個月、跑了幾次結(jié)果后就認(rèn)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(dāng)成機器學(xué)習(xí)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(xué)習(xí)圖像處理方面的知識。

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，而是直接越過這個根基去搭建模型，我覺得這是一個誤區(qū)。

?

不同領(lǐng)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(jìn)行提升和改進(jìn)呢？怎么在原來模型的基礎(chǔ)上做一些改變呢？

?

因此，我認(rèn)為好好學(xué)習(xí)一下圖像預(yù)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。

學(xué)習(xí)心態(tài)：

日拱一卒，不期速成～

早就是優(yōu)勢，早學(xué)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(xué)習(xí)路線，跟著這個路線重新去梳理一下你的學(xué)習(xí)計劃，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(xì)內(nèi)容介紹～?

?第一章：機器學(xué)習(xí)與計算機視覺

?

計算機視覺簡介

技術(shù)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(gòu)建

• 應(yīng)用領(lǐng)域

?

機器學(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

?

計算機視覺與機器學(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(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(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)與計算機視覺

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

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(shù)專家，法國TOP3高校雙碩（計算機科學(xué)和數(shù)學(xué)應(yīng)用雙碩士）畢業(yè)。

長按下方二維碼 2 秒

立即領(lǐng)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(lǐng)域發(fā)表10余篇論文，具有深厚的學(xué)術(shù)背景和豐富的項目及業(yè)務(wù)落地經(jīng)驗。

?

工作期間主要負(fù)責(zé)人工智能業(yè)務(wù)線CV與NLP相關(guān)算法工作，推進(jìn)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(biāo)跟蹤、自動駕駛、計算機體系結(jié)構(gòu)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(xué)者學(xué)習(xí)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(lǐng)域?qū)崙?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(shè)計卷積神經(jīng)網(wǎng)絡(luò)（包括主流分類和檢測網(wǎng)絡(luò)），從檢測模型教學(xué)逐步深入，幫你輕松掌握目標(biāo)檢測，并進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理解決各種CV問題。

他對學(xué)習(xí)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(diào)優(yōu)、改進(jìn)過程中積累的經(jīng)驗。

我們該怎么針對不同領(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，不可能拿到一個模型，既適合醫(yī)學(xué)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。

而很多CV從業(yè)者覺得搭建出模型就告一段落，反反復(fù)復(fù)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(jìn)。

由于工作需要，這份教程我本人也在學(xué)習(xí)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(xué)習(xí)資料，都值得你去認(rèn)真學(xué)習(xí)研究。

所有以上相關(guān)的的內(nèi)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(zhǔn)備了下載工具。