1200字范文,内容丰富有趣,写作的好帮手!
1200字范文 > 浙大博士整理的计算机视觉学习路线(含时间建议分配)

浙大博士整理的计算机视觉学习路线(含时间建议分配)

时间:2023-05-16 09:14:28

相关推荐

浙大博士整理的计算机视觉学习路线(含时间建议分配)

因工作需要,年初花了4个月左右时间学习了机器学习、神经网络相关的知识,工作日每天大概学习4-6个小时,周末每天大概10个小时,工作中的需求应对也得心应手了。

想快速入门的话,从自己的经验看,可以先不看高等数学和线性代数,因为机器学习和深度学习中涉及的相关知识并不多。

视觉的知识部分建议分成两部分学习,第一部分传统图像处理,第二部分基于深度学习的图像处理。

然而我发现实际上几乎80%的CV的从业者都没有从头至尾深入的学习图像处理方面的知识。

现在有了深度学习,不需要人为提取特征了,所以很多人不再关注图像底层的信息,而是直接越过这个根基去搭建模型,我觉得这是一个误区。

不同领域的图像,例如OCT、MR、遥感、自然图像等等,有着巨大的特征差异,对这些特征差异性都不了解,怎么在搭建模型之后对精度进行提升和改进呢?怎么在原来模型的基础上做一些改变呢?

因此,我认为好好学习一下图像预处理、后处理的知识对CV有着至关重要的作用,例如图像去噪、分割、增强、增广等等。

学习心态:

早就是优势,早学早受益!

然而网上很多教程也比较碎片,鉴于此,整理一条学习路线,跟着这个路线重新去梳理一下你的学习计划,相信计算机视觉水平一定会有质的提升。

资源已经整理好了,文末附下载方式!以下是详细内容介绍~

第一章:机器学习与计算机视觉

计算机视觉简介

技术背景

了解人工智能方向、热点

计算机视觉简介

cv简介

cv技能树构建

应用领域

机器学习的数学基础

线性与非线性变换

概率学基础

kl散度

梯度下降法

计算机视觉与机器学习基础

图像和视频

图像的取样与量化

滤波

直方图

上采样

下采样

卷积

直方图均衡化算法

最近邻差值

单/双线性差值

特征选择与特征提取

特征选择方法

filter等

特征提取方法:PCA、LDA、SVD等

边缘提取

Canny

Roberts

Sobel

Prewitt

Hessian特征

Haar特征

相机模型

小孔成像模型

相机模型

镜头畸变

透视变换

计算机视觉与机器学习进阶

聚类算法

kmeans

层次聚类

密度聚类

谱聚类

坐标变换与视觉测量

左右手坐标系及转换

万向锁

旋转矩阵

四元数

三维计算机视觉

立体视觉

多视几何

SIFT算法

三维计算机视觉与点云模型

PCL点云模型

spin image

三维重构

SFM算法

图像滤波器

直通滤波

体素滤波

双边滤波器

条件滤波

半径滤波

图像增加噪声与降噪

OpenCV详解

OpenCV算法解析

线性拟合

最小二乘法

RANSAC算法

哈希算法

DCT算法

汉明距离

图像相似度

第二章:深度学习与计算机视觉

神经网络

深度学习与神经网络

深度学习简介

基本的深度学习架构

神经元

激活函数详解(sigmoid、tanh、relu等)

感性认识隐藏层

如何定义网络层

损失函数

推理和训练

神经网络的推理和训练

bp算法详解

归一化

Batch Normalization详解

解决过拟合

dropout

softmax

手推神经网络的训练过程

从零开始训练神经网络

使用python从零开始实现神经网络训练

构建神经网络的经验总结

深度学习开源框架

pytorch

tensorflow

caffe

mxnet

keras

优化器详解(GD,SGD,RMSprop等

该视频出品人是王小天,目前就职于BAT之一,AI算法高级技术专家,法国TOP3高校双硕(计算机科学和数学应用双硕士)毕业。

👇长按下方二维码 2 秒

立即领取

(添加小助理人数较多,请耐心等待)

他在人工智能和芯片领域发表10余篇论文,具有深厚的学术背景和丰富的项目及业务落地经验。

工作期间主要责人工智能业务线CV与NLP相关算法工作,推进人机混合智能、语义分割、机器翻译、虹膜识别等模块的核心算法研究与优化。

对图像分类、物体检测、目标跟踪、自动驾驶、计算机体系结构等有深入的研究。

兼具理论与实战落地经验,深知初学者学习痛点。说实话,这样资历的人,很难得。

这份教程是他8年人工领域实战经验的凝练,通过讲解和实战操作,让你能做到独立搭建和设计卷积神经网络(包括主流分类和检测网络),从检测模型教学逐步深入,帮你轻松掌握目标检测,并进行神经网络的训练和推理解决各种CV问题。

他对学习者的建议:计算机视觉的提升不在于搭建模型,而在于不断调优、改进过程中积累的经验。

我们该怎么针对不同领域的图像设置不同的参数?其中包括卷积核大小、网络架构、初始权重等等,不可能拿到一个模型,既适合医学图像,又适合人脸识别,这其中就需要n次从70%的精度调到95%以上中积累出经验。

而很多CV从业者觉得搭建出模型就告一段落,反反复复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再来一遍,Python搭完用c/c++搭,但是至始至终没在精度和经验方面做出前进。

由于工作需要,这份教程我本人也在学习中,虽然已经从事这个行业多年,再看这份教程的时候,仍然能查漏补缺,收获满满,我相信不管是AI入门,还是已经具备了一定的工作经验,这份学习资料,都值得你去认真学习研究。

所有以上相关的的内容全部都已经打包好了,汇总成了一份百度云的链接,小贴心之处是怕有的兄弟没有买百度云会员的朋友,能用2MB+/S的速度下载,还特地给大家准备了下载工具。

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。