重磅！ 2020年最新計算機視覺學習路線教程

這篇文章主要是基于我自己的經驗，側重于計算機視覺學習資源的介紹，如果大家按照這個路線去學，相信這將在很大程度上促進提高你的計算機視覺知識水平，

在開始學習計算機視覺之前，我們先來了解有關機器學習和python基礎知識，

框架（Frameworks）

雖然你不必從一開始就去考慮選擇何種框架，但是實踐應用新的知識是必要的，

對應框架并沒有太多選擇，主要為：pytorch或keras（TensorFlow），Pytorch可能需要撰寫更多代碼，但在回傳方面具有很大的靈活性，因此我們可以先學習如何使用pytorch，此外，大多數深度學習研究人員也普遍使用pytoch，

Albumentation (影像增強庫)和 catalyst (框架，pytorch頂部的高級API)在我們學習計算機視覺的過長中也是很常用的工具，我們也可以先學習和使用它們，尤其是第一個，

硬體

• Nvidia GPU 10xx +：（$ 300 +）
• Kaggle內核（免費） ：每周僅30個小時 （https://www.kaggle.com/kernels）
• Google Colab（免費）：12小時的會話限制，每周限制的使用時長不定 （https://colab.research.google.com/notebooks/intro.ipynb#recent=true）

理論與實踐

在線課程

• CS231n是非常好的在線教學課程，涵蓋了計算機視覺的所有必要基礎，是YouTube的在線視頻，這門課程還包含了課后練習，對于新手來說，可以先不用完成練習，（免費）
  • http://cs231n.stanford.edu/
• Fast.ai是我們應該學習的另一門課程，fast.ai是pytorch之上的高級框架，但是它們過于頻繁地更改其API，并且缺乏檔案使其使用不方便，但是，花些時間看這門課程的理論和有用的技巧是不錯的選擇，（免費）
  • https://course.fast.ai/

在學習這些課程時，我建議你將理論付諸實踐，將其應用于其中一個框架，

文章和代碼

• ArXiv.org ——有關所有最新資訊，（免費）（https://arxiv.org/）
• （https://paperswithcode.com/sota）
  • 最常見的深度學習任務的最新發展現狀，而不僅僅是計算機視覺，（免費）
• Github——對于實踐的代碼，你將在這里找到，（免費）（https://github.com/topics/computer-vision?l=python）

書籍

雖然需要讀的書籍不多，但是我相信這兩本書都是有用的，無論你選擇使用pytorch還是keras

• Keras創作者和Google AI研究人員Fran?oisChollet撰寫的Python深度學習，易于使用，可能會獲得你以前不知道的見識，（不是免費的）
  • https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438
• pytorch團隊Eli Stevens和Luca Antiga的Pytorch 深度學習（免費）
  • https://pytorch.org/deep-learning-with-pytorch-thank-you

Kaggle

• https://www.kaggle.com/competitions
  kaggle是各種機器學習競賽的著名在線平臺，其中很多是關于計算機視覺的，即使沒有完成課程，你也可以開始參加比賽，因為從比賽中會有很多開放的內核（端對端代碼），你可以直接從瀏覽器中運行它們，（免費）

有挑戰的學習方式（推薦）

另一種替代方法可能很難，但是這種方法可以讓你獲得計算機視覺不同領域的知識，大家可以針對自己的研究方向選擇具體的計算機視覺領域進行學習，（小博主提醒：大批干貨來襲，視覺各個領域經典代表性專案串列如下所示，）

嘗試閱讀和復現如下文章，你將受益匪淺，助前行，希望對大家有所幫助，

網路架構

• AlexNet: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
• ZFNet: https://arxiv.org/abs/1311.2901
• VGG16: https://arxiv.org/abs/1505.06798
• ResNet: https://arxiv.org/abs/1704.06904
• GoogLeNet: https://arxiv.org/abs/1409.4842
• Inception: https://arxiv.org/abs/1512.00567
• Xception: https://arxiv.org/abs/1610.02357
• MobileNet: https://arxiv.org/abs/1704.04861

語意分割

• FCN: https://arxiv.org/abs/1411.4038
• SegNet: https://arxiv.org/abs/1511.00561
• UNet: https://arxiv.org/abs/1505.04597
• PSPNet: https://arxiv.org/abs/1612.01105
• DeepLab: https://arxiv.org/abs/1606.00915
• ICNet: https://arxiv.org/abs/1704.08545
• ENet: https://arxiv.org/abs/1606.02147

生成對抗網路

• GAN: https://arxiv.org/abs/1406.2661
• DCGAN: https://arxiv.org/abs/1511.06434
• WGAN: https://arxiv.org/abs/1701.07875
• Pix2Pix: https://arxiv.org/abs/1611.07004
• CycleGAN: https://arxiv.org/abs/1703.10593

目標檢測

• RCNN: https://arxiv.org/abs/1311.2524
• Fast-RCNN: https://arxiv.org/abs/1504.08083
• Faster-RCNN: https://arxiv.org/abs/1506.01497
• SSD: https://arxiv.org/abs/1512.02325
• YOLO: https://arxiv.org/abs/1506.02640
• YOLO9000: https://arxiv.org/abs/1612.08242

實體分割

• Mask-RCNN: https://arxiv.org/abs/1703.06870
• YOLACT: https://arxiv.org/abs/1904.02689

姿態估計

• PoseNet: https://arxiv.org/abs/1505.07427
• DensePose: https://arxiv.org/abs/1802.00434

原文鏈接：https://towardsdatascience.com/guide-to-learn-computer-vision-in-2020-36f19d92c934

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

標籤：其他

上一篇：具有注意力機制的seq2seq模型

下一篇：“Failed to get convolution algorithm. This is probably because cuDNN failed to initialize”錯誤的解決辦法