因工作需要,年初花了4个月左右时间学习了机器学习、神经网络相关的知识,工作日每天大概学习4-6个小时,周末每天大概10个小时,工作中的需求应对也得心应手了。 想快速入门的话,从自己的经验看,可以先不看高等数学和线性代数,因为机器学习和深度学习中涉及的相关知识并不多。 视觉的知识部分建议分成两部分学习,第一部分传统图像处理,第二部分基于深度学习的图像处理。 但我发现,几乎80%的CVer 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。 计算机视觉的提升不在于搭建模型,而在于不断调优、改进过程中积累的经验。 我们该怎么针对不同领域的图像设置不同的参数?其中包括卷积核大小、网络架构、初始权重等等,不可能拿到一个模型,既适合医学图像,又适合人脸识别,这其中就需要n次从70%的精度调到95%以上中积累出经验。 如果你决心要在这个领域深耕,那么图像底层方面的知识坚决不可跨越的,欲速则不达。 分享一套当时我学习过的教程,有视频、代码、PPT等,帮助大家打好基础。 跟着这个路线重新去梳理一下你的学习路线,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
计算机视觉简介
机器学习的数学基础
计算机视觉与机器学习基础 图像和视频
特征选择与特征提取
边缘提取
相机模型
计算机视觉与机器学习进阶 聚类算法
坐标变换与视觉测量
三维计算机视觉
三维计算机视觉与点云模型
图像滤波器
OpenCV详解 OpenCV算法解析
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
推理和训练
从零开始训练神经网络
深度学习开源框架
|
|
来自: 阿明哥哥资料区 > 《53.大数据.机器学习.思维》