cv学习路线个人向

确定自身定位

是做理论研究还是搞工程设计，区分侧重点。相读博的专注于论文，进企业的偏向实习比赛

补充数理基础

高数，线代，概率直接看课本，也可以看看B站的一些视频，一些公开课，后续根据需要进行查漏补缺

编程工具的学习

Python : 小甲鱼视频，书籍选用推荐：<>，龙曲良老师的Tensorflow和Pytorch教程，李沐老师的动手学深度学习系列视频/书籍，Linux系统指令，git的使用。

机器学习相关课程学习

吴恩达机器学习，深度学习相关视频，书籍：邱锡鹏<<神经网络与深度学习>>，<<动手学深度学习>>（现在第二部纸质好像要出了），李宏毅老师的机器学习课程

进一步深入理论相关

李航的<<统计学习方法>>第二版，搭配b站的白报推导教程补充梳理基础。

以上便是基础，下面是CV相关

基础视觉的学习

使用书籍:<>搭配官网教程，补充数字图像基础，使用冈萨雷斯<<数字图像处理>>和matlab实现，唐宇迪/黑马程序员的Opencv计算机视觉实战课程(验证算法正确性考虑使用Python，实际部署使用C++)，继续看CS231N，搭配最新课件使用。

跑模型

跑ResNet, GoogleNet,DenseNet等经典模型，YOLO,SSD,R-CNN系列等传统目标检测模型，语义分割的常见网络FCN, RetainNet, DeepLab等，要能在COCO,VOC,KITTI等公开数据集上进行训练，不断看论文，改模型，跑实验，提高代码能力

比赛平台

Kaggle，阿里天池等。。。

论文来源推荐

• 顶级会议CVPR, ICCV, ECCV等最新成果，尤其可以考虑根据自己所学的方向进行学习
• 经典论文如Fast-RCNN, yolo, ResNet等
• 注意：阅读论文前可以考虑别人在博客/公众号上出的视频/带读，再自己阅读一遍论文，复现一遍代码，效果最好。在此强推李沐老师的论文精读系列，一定会使你收益颇多。
  这是简单的一些总结，希望对大家有所帮助。