最新计算机视觉学习路线教程

这篇文章主要是基于我自己的经验,侧重于计算机视觉学习资源的介绍,如果大家按照这个路线去学,相信这将在很大程度上促进提高你的计算机视觉知识水平。

在开始学习计算机视觉之前,我们先来了解有关机器学习和python基础知识。

框架(Frameworks)

虽然你不必从一开始就去考虑选择何种框架,但是实践应用新的知识是必要的。

对应框架并没有太多选择,主要为:pytorchkeras(TensorFlow)。Pytorch可能需要编写更多代码,但在返回方面具有很大的灵活性,因此我们可以先学习如何使用pytorch。此外,大多数深度学习研究人员也普遍使用pytoch。

Albumentation (图像增强库)和 catalyst (框架,pytorch顶部的高级API)在我们学习计算机视觉的过长中也是很常用的工具,我们也可以先学习和使用它们,尤其是第一个。

硬件

  • Nvidia GPU 10xx +:($ 300 +)
  • Kaggle内核(免费) :每周仅30个小时 (https://www.kaggle.com/kernels)
  • Google Colab(免费):12小时的会话限制,每周限制的使用时长不定 (https://colab.research.google.com/notebooks/intro.ipynb#recent=true)

理论与实践

在线课程
  • CS231n是非常好的在线教学课程,涵盖了计算机视觉的所有必要基础,是YouTube的在线视频。这门课程还包含了课后练习,对于新手来说,可以先不用完成练习。(免费)
    • http://cs231n.stanford.edu/
  • Fast.ai是我们应该学习的另一门课程。fast.ai是pytorch之上的高级框架,但是它们过于频繁地更改其API,并且缺乏文档使其使用不方便。但是,花些时间看这门课程的理论和有用的技巧是不错的选择。(免费)
    • https://course.fast.ai/

在学习这些课程时,我建议你将理论付诸实践,将其应用于其中一个框架。

文章和代码
  • ArXiv.org ——有关所有最新信息。(免费)(https://arxiv.org/)
  • (https://paperswithcode.com/sota)
    • 最常见的深度学习任务的最新发展现状,而不仅仅是计算机视觉。(免费)
  • Github——对于实践的代码,你将在这里找到。(免费)(https://github.com/topics/computer-vision?l=python)
书籍

虽然需要读的书籍不多,但是我相信这两本书都是有用的,无论你选择使用pytorch还是keras

  • Keras创作者和Google AI研究人员FrançoisChollet撰写的Python深度学习。易于使用,可能会获得你以前不知道的见识。(不是免费的)
    • https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438
  • pytorch团队Eli Stevens和Luca Antiga的Pytorch 深度学习(免费)
    • https://pytorch.org/deep-learning-with-pytorch-thank-you
Kaggle
  • https://www.kaggle.com/competitions
    kaggle是各种机器学习竞赛的著名在线平台,其中很多是关于计算机视觉的。即使没有完成课程,你也可以开始参加比赛,因为从比赛中会有很多开放的内核(端对端代码),你可以直接从浏览器中运行它们。(免费)

有挑战的学习方式(推荐)


另一种替代方法可能很难,但是这种方法可以让你获得计算机视觉不同领域的知识,大家可以针对自己的研究方向选择具体的计算机视觉领域进行学习。(小博主提醒:大批干货来袭,视觉各个领域经典代表性项目列表如下所示。)

尝试阅读和复现如下文章,你将受益匪浅。助前行,希望对大家有所帮助。

网络架构
  • AlexNet: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
  • ZFNet: https://arxiv.org/abs/1311.2901
  • VGG16: https://arxiv.org/abs/1505.06798
  • ResNet: https://arxiv.org/abs/1704.06904
  • GoogLeNet: https://arxiv.org/abs/1409.4842
  • Inception: https://arxiv.org/abs/1512.00567
  • Xception: https://arxiv.org/abs/1610.02357
  • MobileNet: https://arxiv.org/abs/1704.04861
语义分割
  • FCN: https://arxiv.org/abs/1411.4038
  • SegNet: https://arxiv.org/abs/1511.00561
  • UNet: https://arxiv.org/abs/1505.04597
  • PSPNet: https://arxiv.org/abs/1612.01105
  • DeepLab: https://arxiv.org/abs/1606.00915
  • ICNet: https://arxiv.org/abs/1704.08545
  • ENet: https://arxiv.org/abs/1606.02147
生成对抗网络
  • GAN: https://arxiv.org/abs/1406.2661
  • DCGAN: https://arxiv.org/abs/1511.06434
  • WGAN: https://arxiv.org/abs/1701.07875
  • Pix2Pix: https://arxiv.org/abs/1611.07004
  • CycleGAN: https://arxiv.org/abs/1703.10593
目标检测
  • RCNN: https://arxiv.org/abs/1311.2524
  • Fast-RCNN: https://arxiv.org/abs/1504.08083
  • Faster-RCNN: https://arxiv.org/abs/1506.01497
  • SSD: https://arxiv.org/abs/1512.02325
  • YOLO: https://arxiv.org/abs/1506.02640
  • YOLO9000: https://arxiv.org/abs/1612.08242
实例分割
  • Mask-RCNN: https://arxiv.org/abs/1703.06870
  • YOLACT: https://arxiv.org/abs/1904.02689
姿态估计
  • PoseNet: https://arxiv.org/abs/1505.07427
  • DensePose: https://arxiv.org/abs/1802.00434

原文链接:https://towardsdatascience.com/guide-to-learn-computer-vision-in-2020-36f19d92c934

欢迎关注磐创AI博客站:
http://panchuang.net/

sklearn机器学习中文官方文档:
http://sklearn123.com/

欢迎关注磐创博客资源汇总站:
http://docs.panchuang.net/

你可能感兴趣的:(最新计算机视觉学习路线教程)