浙大博士整理的计算机视觉学习路线（含时间建议分配）

　　AI显然是最近几年非常火的一个新技术方向，从几年前大家就认识到AI的能力，到现在在行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。
　　200G人工智能资料学习大礼包，想要这些资料的朋友私信我【666】，会免费分享给大家。
　　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、RCNN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的方向、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CannyRobertsSobelPrewittHessian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进行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spinimage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BatchNormalization详解解决过拟合dropoutsoftmax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pytorchtensorflowcaffemxnetkeras优化器详解（GD，SGD，RMSprop等