计算机视觉的学习我认为最重要的地方在于完善两方面的能力
1）编程能力；
2）理论知识的储备。
二者相辅相成，缺一不可。以下我也从这两个点切入，简要的总结一下计算机视觉的学习路线（学习循序有先后）：
1）Python编程基础
Python是做算法的标准语言，目前诸如PyTorch、TensorFlow等最流行的深度学习框架都是基于python的。所以在接触算法之前需要有一定的python基础。
对于python的学习，网上有很多推荐的文本资料，差不多都是看书然后敲代码学习的思路。不过个人认为，对于初次接触python编程的学习者而言，看视频教程是最合适的也是最快的。看书很容易陷入局部知识点的纠结之中，而这些知识点可能都不是很重要。但是看视频的话是有人给你过滤了一遍知识点的，所以学习速度会更快。
对于视频教程的话，在b站、网易云课堂等平台上搜python，一搜一大把，挑选一个你喜欢的风格即可，比如以下教程我觉得就讲得很清晰：
（前100P是讲Linux的,如果赶时间可以跳过,从101P开始看）
看完视频教程之后如果有时间，再回过头来看书本就能够带着自己的理解去巩固知识点了。
2）理论知识储备
计算机视觉的学习现在绕不过深度学习，而深度学习的入门又绕不过“吴恩达”这三个字。我相信，很多人都是看着吴恩达的网课入门深度学习的。
学习完这门网课之后，你将至少明白什么是神经网络；神经网络的工作原理、结构；卷积神经网络；循环神经网络；以及计算机视觉、自然语言处理等方向的一些具体应用。
Note：我认为这门网课是整个计算机视觉学习的基础，他对后续你能不能形成自己的理解并有创新有很大的影响。所以，学习的时候最后对每一节课做出总结。同时遇见不懂的知识点的时候，最好不要闭门造车，建议可以网上搜索一下关键词，像github、知乎、微信公众号上都有很多总结性的资料。
3）了解计算机视觉发展现状
目前视觉上主要有几个基础任务，具体包括图像分类、语义分割、目标检测等。 需要学习者有一个全面的概览，做到计算机视觉各个方向是怎么做的心中有数。
具体步骤如下：
- 首先阅读图像分类经典模型阅读：具体包括vgg、inception系列、resnet。这些模型的论文网上搜关键词都有，建议先读原文，再配合者网上的各种论文笔记进行理解；
- 从Pytorch、Tensorflow中挑选一个框架作为你的的深度学习编程框架。个人喜欢Pytorch，它简单易上手，对初学者友好。学术界也大多用Pytorch。不过工业界目前来说还是tensorflow主流。但是Pytorch的使用率也在逐渐上升。那这种框架的学习我认为还是看文本自己实践比较好。这里也推荐一下PyTorch学习资料：
60分钟快速入门深度学习。同时这里有个小的demo —— 训练一个图像分类器，也能帮助理解和巩固 图像分类 任务的知识。
- 在有了图像分类的知识以及使用pytorch的搭建模型的能力之后，我们可以去接触一下稍微复杂的计算机视觉任务 - 语义分割与目标检测。对于语义分割，我之前有详细的总结过它的发展历程：
可以直接以这个文章为目录开始对语义分割任务的理解，并复现一些经典模型。在复现过程中加深对模型的理解以及增强编程的动手能力。而对于目标检测任务而言，大家同样可以以这个思路在网上搜素类似的综述性总结，然后以其为目录去了解这个任务。
- 当然，计算机视觉肯定不止这些任务，还有诸如超像素重建、超像素分割、OCR等一系列任务都可以去探索。只是以上两个任务比较经典而且基础。
4）保持学习，追逐前沿
学习完以上点之后，我认为应该是算入门计算机视觉了（当然，不包括一些传统的图像算法，对于传统的图像处理算法的学习可以去学习一下opencv）。我们初步具备了完成一个项目的能力。但是，学习是终身的。如果停留于学过的知识，很快就会被淘汰。同时对发论文有需求的同学追逐前沿也是必须的点。一个人的阅读能力与热点捕捉能力终究是有限的。这时，可以关注一些做你这个方向的公众号，他们一般都会推一些最新的文章，这样有助于始终跟随热点，了解这个方向上大家都在做什么。这里也推荐几个公众号：
1）首推当然是我自己的公众号，微信搜索：阿柴的算法学习日记，或者直接扫描以下二维码即可关注：
这里将定期分享阿柴阅读的论文笔记，内容包括：
CVPR、ECCV、ICCV等计算机视觉顶会论文，主要推送语义分割方向的最新论文，比如：
遥感航空数据集语义分割方向论文，比如：
ACL、EMNLP等NLP方向顶会论文，比如：
KDD、SIGIR、WWW、RecSys等推荐系统方向顶会论文，比如：
本柴将致力于分享、交流、共进 ( 'ω' ) ！！！
2）极世平台：专注于计算机视觉前沿资讯和技术干货；
3）CVer：一个专注侃侃计算机视觉方向的公众号。
以上，个人拙见，欢迎交流。 |
