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、R-CNN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Canny Roberts Sobel Prewitt Hessian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 spin image 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 Batch Normalization详解 解决过拟合 dropout softmax 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 pytorch tensorflow caffe mxnet keras 优化器详解(GD,SGD,RMSprop等