AI 显然是最近几年非常火的一个新技术方向，从几年前大家认识到 AI 的能力，到现在产业里已经在普遍的探讨 AI 如何落地了。
我们可以预言未来在很多的领域，很多的行业，AI 都会在里边起到重要的作用。
目前在商业中有所应用，而且能够创收的只有搜索推荐和计算机视觉，因此，这两个方向的人力缺口很大。
目前入门CV的常用套路就是：
- 看吴恩达《机器学习》《深度学习》课程，学一点机器学习的知识。
- 读几篇CV模型的文章，了解一下经典的Alexnet、R-CNN系列、YOLO等。
- 在github上找几个tensorflow、pytorch实现上述模型的开源代码。
- 下载VOC、ImageNet、COCO、kaggle等数据集。
- 按照开源代码中的Readme准备一下数据集，跑一下结果。
但好多初学者学了两个月、跑了几次结果后就认为已经入行CV了，其实不然，这里面有一个需要注意的问题：计算机视觉属于图像处理的范畴，而很多人却把它当成机器学习来看待。
然而实际上几乎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：
日拱一卒，不期速成～
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
- 熵
- 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。
