计算机视觉入门路线

给大家写了一个计算机视觉入门路线,这个路线一共分为十一步,每一步指明了学习内容,学习程度,学习方式和学习目的,并指明了各个内容的重难点。

欢迎关注公众号CV技术指南,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

本文主要介绍计算机视觉从入门到具备自主学习能力的一个学习路线。

在介绍具体内容前,有必要先说明现在计算机视觉的情况。

计算机视觉是一个需要会的内容特别多,基础要求牢固,知识面要求足够广的领域。

计算机视觉领域有一个最大的问题在于它使用的方法具有黑盒的特点,一个完整的模型由很多部分组成,其中每个部分都有许许多多的参数,而任何一个地方的改变都有可能影响模型最终的效果,大的会影响收敛与不收敛,小的会使指标浮动好几个点。但你并不知道每个部分对模型的作用,也不知道模型是如何学习的。

因此,如果你是仅仅学了一下神经网络,学了一下pytorch或tensorflow,然后就开始看别人的博客学YOLO,学语义分割,github上跑了几个现有的模型。那你注定对计算机视觉很难有什么深刻的理解,不管是调参,还是设计模型,都纯属瞎碰运气。效果不好你不知道为什么,效果好你也不知道为什么。

当然了,即便你学得非常好,最终也还是不知道为什么好,为什么不好,不然就不叫黑盒了。但有所不同的是,你可以根据你的积累,从你自己对计算机视觉的理解上尝试去解释它为什么好,为什么不好。这就是计算机视觉领域所有论文的本质了,大家都是在根据自己的理解去设计模型去调试参数。这与前面说的并不矛盾。

因此,如果你想学习计算机视觉,非常牢固的基础和广泛的知识面是缺一不可的。

网上已经有很多的入门计算机视觉的经验,有些说机器学习十大算法要去手推一遍,否则基础不牢,有些上来就给一堆专业书籍如西瓜书、模式识别、统计学习方法。

对我自己来说,这些书我都看了,但我写的路线里不会这么干,因为这不符合循序渐进的原则。此外,学计算机视觉的不外乎两类人,一类是本科就在利用空余时间学习的,一类是读研了选择了这个方向,但不管是哪一类,都意味着学这个是没有像考试及格那样的硬性要求来强迫你学的。如果一开始就学不明白,一开始就看西瓜书、模式识别这类晦涩难懂的书,会激发人性的弱点,很容易就放弃了。

什么是一个好的学习路线?它应该是降低执行难度的,大部分人都只会怀疑是自己行动力太差的问题,而不去怀疑是不是学习路线执行难度太大。它需要保证学习者在学习过程中时时获得成就感,需要保证学得懂,在学习过程中产生继续学的动力,而不是靠着考试的硬性要求或自身强大的意志力在学。

上面废话就讲到这,本文尝试写一个执行难度低的,符合人性弱点的学习路线。

以前写过一个免费版的,里面介绍了对于计算机视觉要学的一些内容,也提供了一些资料。本文收费版与之不同的地方在于本文介绍得更加详细,介绍了学习的先后顺序,每个内容的重要程度,哪些可以不用深入,哪些必须要非常熟悉,后续如何进阶等。

第一步:统计学习方法

学习内容:关于模型的一些基本概念,简单的几个模型:感知机、回归模型、判别模型等。

学习程度

1. 了解统计学习方法的三要素、模型评估、模型选择;

2. 了解判别模型与生成模型;

3. 熟悉感知机、回归模型、分类模型,了解它们的区别,原理即可;

4. 了解泛化能力、分类问题、标注问题等;

学习方式:阅读《统计学习方法》李航版第一章、第二章即可,后面的先不急着去看。

学习目的:主要是了解什么是模型、有哪些模型、模型的性能影响等基本知识面。

有很多人学到后面连如何判断一个模型的泛化能力、什么时候过拟合、什么时候欠拟合都不知道,这一部分主要把握如何分析一个模型的泛化能力,学会区分过拟合欠拟合,如何评估一个模型等。

第一步学的是什么是模型、模型的基本概念,而《统计学习方法》李航版这本书的后面都是一些具体的模型,对计算机视觉来说基本都用不上,至少不需要深入了解,因此在初学阶段完全不建议大家去学这些模型。

相反,应该尽快学一些能用得上的模型,以便尽快了解计算机视觉大概是怎么一回事。在已经有一定的基础后再回来学后面的其它模型,用于扩展知识面、提高自己的思维能力,这样在学后面这些模型时才能理解,否则学了也会忘了。

因此第二步主要学习神经网络,神经网络也是一个具体的模型。

完整版请阅读:《计算机视觉入门路线》

欢迎关注公众号CV技术指南,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV技术指南创建了一个免费的知识星球。关注公众号添加编辑的微信号可邀请加入。

计算机视觉入门路线_第1张图片

其它文章

Attention Mechanism in Computer Vision

从零搭建Pytorch模型教程(三)搭建Transformer网络

从零搭建Pytorch模型教程(二)搭建网络

从零搭建Pytorch模型教程(一)数据读取

YOLO系列梳理与复习(二)YOLOv4

YOLO系列梳理(一)YOLOv1-YOLOv3

StyleGAN大汇总 | 全面了解SOTA方法、架构新进展

一份热力图可视化代码使用教程

一份可视化特征图的代码

工业图像异常检测研究总结(2019-2020)

小样本学习研究综述(中科院计算所)

目标检测中正负样本区分策略和平衡策略总结

目标检测中的框位置优化总结

目标检测、实例分割、多目标跟踪的Anchor-free应用方法总结

Soft Sampling:探索更有效的采样策略

如何解决工业缺陷检测小样本问题

关于快速学习一项新技术或新领域的一些个人思维习惯与思想总结

你可能感兴趣的:(CV技术总结,计算机视觉,深度学习,pytorch,python,神经网络)