双一流博士整理的计算机视觉学习路线（深度学习+传统图像处理）

　　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。 　　但我发现，几乎80%的CVer 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。 　　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。 　　如果你决心要在这个领域深耕，那么图像底层方面的知识坚决不可跨越的，欲速则不达。 　　分享一套当时我学习过的教程，有视频、代码、PPT等，帮助大家打好基础。 　　跟着这个路线重新去梳理一下你的学习路线，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。 　　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。工作期间主要负责人工智能业务线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。他兼具理论与实战落地经验，深知初学者学习痛点。 　　有幸当时接触到了这份资源，能有一位这样的学术届与工业届双开花的大佬教程陪伴，完成从学校到职场的过渡。