重磅! 2020年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

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)
  • 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)

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
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

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
语义分割
生成对抗网络
目标检测
实例分割
姿态估计

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/

posted @ 2020-06-07 15:26  人工智能遇见磐创  阅读(214)  评论(0编辑  收藏