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。

随着AI的不断持续火热，越来越多的人才涌入进来，但我发现一个行业现象：人才短缺，工程师过剩。

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，尤其是计算机视觉。

 

前两年校招时可以看到，互联网、IT、生物医药、汽车安防等等行业，几乎都会有计算机视觉的岗位。

 

所以，很多其他方向的同学开始纷纷转向，随着大潮流投入计算机视觉这个方向，为什么这么多人投入计算机视觉方向？我认为有以下几个原因：

 

• 入门容易

• 模型成熟

• 人才缺口大

• 热度高，名气大

 

其他的暂且不说，就着重的说一下入门容易和模型成熟这两点。

 

目前入门CV的常用套路就是：

 

1. 看吴恩达《机器学习》《深度学习》课程，学一点机器学习的知识。

2. 读几篇CV模型的文章，了解一下经典的Alexnet、R-CNN系列、YOLO等。

3. 在github上找几个tensorflow、pytorch实现上述模型的开源代码。

4. 下载VOC、ImageNet、COCO、kaggle等数据集。

5. 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。

然而网上很多教程也比较碎片，鉴于此，整理一套卷积神经网络、目标检测、OpenCV，从检测模型教学逐步深入，帮你轻松掌握目标检测，轻松提升CV算法核心能力。

（资料内容过多，仅截取部分）

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

上次已经给大家推荐过一次，但微信有限制每天只能加100个人，很多人反馈没有领到，这次又申请到了100个名额，速度领取，手慢无！

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。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。