【计算机视觉知识库】CV学习路线/从头学系列【持续更新】_计算机cv怎么学

第一阶段：数学基础+编程语言学习

1. 程序员数学

• 微积分基础、多元函数微积分、线性代数基础、线性代数高级、概率论等
• 机器学习面试、算法原理常用的数学知识

2. Python学习

• Python基础：掌握 Python 基础语法, 具备基础的编程能力；掌握代码编程逻辑，条件判断与循环； 完成小游戏开发 
  •  01基本的print函数、二进制与字符编码、变量、数据类型、input函数、运算符
  • 02程序的组织结构：顺序、选择、循环结构
  • 03常用数据类型操作：数值
• Python数据分析：掌握数据分析与数据挖掘常用开发库：NumPy、Pandas、 Matplotlib、Seaborn 等。掌握数据分析流程、核心方法、 方法论
• Python算法与数据结构《Python数据结构与算法分析》

3. C++学习

• C++基础学习《C++ Primer Plus》
• C++：SDK后处理（逻辑）
  • 数据类型，STL容器的操作指令，指针，引用，重载，模板，继承，多态，命名空间
  • gdb,ldd工具以及C++的运行流程，堆，栈，静态链接库、动态链接库，库路径问题，CMakeList问题
  • GCC,G++,CMake,Opencv版本不匹配等问题
• 工程团队更关注：前处理加速、算子加速、后处理加速，内存，芯片平台多核优化，单核优化，内存复用，带宽，异构计算

---

第二阶段：机器学习

1. ML常用算法

• 线性回归算法：掌握线性回归，最小二乘法，正规方程，梯度下降的各种优化，Linear回归、Ridge、Lasso 回归、弹性网络等回归算法，掌握 L1 与 L2 正则化原理与区别
• 线性分类算法：掌握逻辑回归、OVR、Softmax、SVM 支持向量机算法；掌握拉格朗日乘子法、KKT 条件、SMO 优化算法。分类项目实战
• 无监督学习：掌握聚类算法（Kmeans、DBSCAN、分层聚类）、掌握PCA、LDA 降维原理与推导，掌握 EM 算法，掌握 GMM高斯混合模型应用与原理
• 决策树与集成算法：掌握决策树算法原理与推导，理解信息熵、交叉熵、Gini系数。掌握随机森林、极限森林、Adaboost 、GBDT ，XGBoost 等算法的应用于原理推导
• 概率图模型：掌握概率论相关知识。掌握贝叶斯公式、朴素贝叶斯模型原理与应用、掌握自然语言处理、文本分类操作、隐马尔可夫 HMM 算法、条件随机场 CRF 算法

2. Kaggle实战

• 掌握概率论相关知识。掌握贝叶斯公式、朴素贝叶斯模型原理与应用、掌握自然语言处理、文本分类操作、隐马尔可夫 HMM 算法、条件随机场 CRF 算法

---

第三阶段：计算机视觉OpenCV

1. 传统图像算法

• 数字图像处理基础
  • 图像降噪（滤波、稀疏表达、聚类低质、统计模型、深度学习）
  • 图像增强（点运算、直方图变换、空域、频域）
  • 图像锐化、图像平滑（再次总结）
  • 形态学图像处理
  • 图像分割（基于区域、边缘、阈值、图论）
• 数字图像处理进阶
  • 图像全局特征描述
  • 图像局部特征描述
  • 目标检测与跟踪

【持续更新】

2. 计算机视觉CS231n

3. OpenCV实践

OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库， 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

熟练掌握 OpenCV 相关操作，掌握图像的基本处 理方法与技巧，了解基本的物体检测模型，掌握物体追踪，车道线检测，交通标志识别等技术

• 基础部分：车辆检测项目实战
• 进阶部分：《基于GPU加速的计算机视觉编程》

---

第四阶段：深度学习

1. 卷积神经网络基础

• 深度学习基础
  • 01激活函数：Sigmoid、Tanh、ReLU、Softmax系列及对应变体
  • 梯度下降算法改进：SGD、Momentum、NAG、Rmsprop、ADAM等

2. PyTorch和Tensorflow

3. 图像处理（分类、分割、目标检测、图像生成）

• 图像分类
  • 01MMClassification理论（CNN分类模型训练以及PyTorch简介-中）
  • 02MMClassification实践（基于mmcl框架实现分类模型的训练-下）
• 目标检测
  • 01两阶段方法：R-CNN、Fast R-CNN、Faster R-CNN系列以及fpn结构
  • 02一阶段方法：SSD、RetinaNet、YOLO v1网络
  • 03一阶段方法：YOLO v1和YOLO v2网络

4. AI加速（模型优化）

• 模型轻量化
  • 01模型压缩基础：常见策略、卷积相关概念
  • 02轻量化模型：MobileNet v1-v3、ShuffleNet v1-v2、EfficientNet v1-v2简介

---

第五阶段：项目实战

1. 医学图像分析

• 病理图像智能计算
  • 【论文解析】病理有丝分裂检测领域适应问题

  • 【有丝分裂检测】MIDOG Domain Adaptation实现

• 医学图像分析综述
  • DL在医学影像中的应用综述—图像重建