计算机视觉-------既然选择远方,愿你风雨兼程

01 掌握好相应的基础能力

计算机视觉的理念其实与很多概念有部分重叠，包括：人工智能、数字图像处理、机器学习、深度学习、模式识别、概率图模型、科学计算以及一系列的数学计算等。所以在入门CV之前，同学们最好对基础的学术课程都有对应的了解，比如数学方面的微积分，概率学，统计学，线性代数这几门基础课程。

在编程语言方面，Matlab，Python，C++，最好熟悉其中2种，因为计算机视觉离开计算机编程是完全行不通的

02 需要的专业工具

工欲善其事，必先利其器。对于想要学好计算机视觉的同学来说，一个专业的工具，绝对是助攻的不二神器。

OpenCV（开源计算机视觉库）是一个非常强大的学习资料库，包括了计算机视觉，模式识别，图像处理等许多基本算法。

它免费提供给学术和商业用途，有C++，C，Python和java接口，支持Windows、Linux、Mac OS、iOS和Android。

而关于OpenCV的学习，推荐：

1.学习OpenCV(Learning.OpenCV)

2.毛星云老师编著的OpenCV3编程入门

3.学习OpenCV3（Learning OpenCV 3）

而深度学习方面，有TensorFlow，PyTorch，Caffe等深度学习框架，它们也内置了OpenCV的API接口。而哪种框架好，就要看你自己的需要了

推荐资料：

莫凡教程系列之PyTorch :https://morvanzhou.github.io/tutorials/machine-learning/torch/

TensorFlow中文社区：

http://www.tensorfly.cn/

深度学习 21天实战Caffe

03 绕不开的数字图像处理与模式识别

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。

入门的同学推荐

冈萨雷斯的《数字图像处理》《数字图像处理(第3版)(英文版)》和对应的Matlab版本

一本讲基础的理论，一本讲怎么用Matlab实现。

除此之外同学们还可以去YouTube上找到相关的课程信息，相信大家会有所收获的。

模式识别（Pattern Recognition），就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。

计算机视觉很多东西都是基于图像识别的，图像识别就是模式识别的一种。

模式识别通常是训练一个模型来拟合当前的数据，当我们拿到一堆数据或图片，需要从当中找到它们的关系，最便捷的便是用模式识别算法来训练一个模型。

04 系统的学习下计算机视觉课程

对于CV新手来说，想要从小白到大神，最快的方法就是先系统的学习一下计算机视觉的课程，全面了解一下计算机视觉这个领域的背景及其发展、这个领域有哪些基本的问题、哪些问题的研究已经比较成熟了，哪些问题的研究还处于基础阶段。

推荐3本经典教材：

1.《计算机视觉：一种现代方法》（Computer Vision: A Modern Approach）

2.《计算机视觉_算法与应用》（Computer Vision: Algorithms and Applications）

3.《计算机视觉：模型 学习和推理》（Computer Vision: Models, Learning, and Inference）

这三本教材是计算机视觉最好的入门教材了，内容丰富，难度适中，其中第二本书涉及大量的文献，很适合对计算机视觉没什么概念的同学。

虽然其中的一些方法在现在看来已经过时了，但还是值得一读

05 深度学习与CNN

计算机视觉里经常使卷积神经网络，即CNN，是一种对人脑比较精准的模拟。

什么是卷积？卷积就是两个函数之间的相互关系，然后得出一个新的值，他是在连续空间做积分计算，然后在离散空间内求和的过程。

同学们可以试着学习下CNN在计算机视觉当中的应用

推荐的资料：

1.斯坦福CS231n—深度学习与计算机视觉网易云课堂课程：http://study.163.com/course/introduction.htm?courseId=1003223001

2.斯坦福CS231n—深度学习与计算机视觉官方课程：http://cs231n.stanford.edu/

3.CS231n官方笔记授权翻译总集篇：https://www.52ml.net/17723.html

4.吴恩达 deeplearning.ai与网易云课堂的微专业深度学习工程师卷积神经网络

 http://mooc.study.163.com/course/2001281004?tid=2001392030#/info

神经网络方面的经典教材

1.《深度学习》（Deep Learning）

2.《神经⽹络与深度学习》（Neural Networks and Deep Learning(Nielsen,2017)）

06 了解最新领域动态

很多同学做研究的时候，容易陷入自我封闭的“怪圈”，过于执着于埋头学习相关知识，有时候会忘记及时了解相关领域的最新动态，这是非常不科学的。

同学们在学习计算机视觉相关知识的时候，可以通过最新的paper来了解这个领域最新提出的一些概念以及发展的情况。

计算机视觉的期刊有两个PAMI（模式分析与机器智能汇刊）和IJCV（计算机视觉国际期刊）

顶级的学术会议有 CVPR、ICCV、 ECCV、 BMVC这四个，同学们可以跟着浏览这些期刊论文以及会议文章，相信一定可以学到不少有用的知识。

做好计算机视觉研究并不是一件容易的事情，在大多数情况下它甚至是一件很枯燥的事情。研究成果毫无进展，研究方向不在明朗等等，这一切都会给你前所未有的压力.所以希望同学们在决定入这一行的时候，是出于自己的热爱，而不是出于当前的趋势。

因为热爱不会变，但趋势每一年都在变。

The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分

简介

第一部分

•     分类/定位
•     目标检测
•     目标追踪

第二部分

•     分割
•     超分辨率、风格迁移、着色
•     动作识别

第三部分

•     3D 目标
•     人体姿势估计
•     3D 重建
•     其他未分类 3D
•     总结

第四部分

•     卷积架构
•     数据集
•     不可分类的其他材料与有趣趋势