熬了几个大夜，学完一套 "海外博士" 总结的「卷积神经网络、目标检测、OpenCV」笔记！

工作需要

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

1. 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

2. 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

3. 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

4. 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

1. 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。

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。