1樓：慧橋ICT教育
一、計算機視覺概覽
（計算機視覺的定義；計算機視覺的應用；計算機視覺相關學科；計算機視覺與人工智慧的關係）
二、數字影象處理基礎
（人眼影象的形成、影象的感知和獲取、影象數位化、取樣與解析度、量化、灰度級、數字影象的表示、畫素、灰度圖、彩色影象RGB與HSV、顏色空間、畫素關係、連通域、影象計算、插值）
三、影象預處理技術
（影象處理的形式、伽馬矯正、直方圖、濾波、邊緣檢測、通道變化、深度學習、影象資料增強）
四、影象處理基本任務
（影象處理、分析、理解、分類效能度量、目標檢測、連通域分割、運動分割、目標分割、目標跟蹤、影象處理演算法整合應用、文字識別、人臉識別、內容識別）
五、特徵提取和傳統方法
（處理演算法、影象特徵提取、影象二值化、閾值分割、雙峰法、最大類間方差法、形態學處理、開運算、閉運算、模板匹配、滑動視窗法、特徵描述子、行人檢測、人臉檢測）
六、深度學習和卷積神經網路
（卷積神經網路介紹、單卷積核計算 、深度學習卷積的重要概念、多卷積核計算 、影象不變性 、區域性感知、引數共享、卷積神經網路結構、卷積層的功能）
2樓：
先了解cnn，rnn，rcnn這三個基礎神經網路。然後學幾個深度學習的框架，tensorflow，pytorch這樣的。跑通幾個神經網路，然後做專案。
3樓：
近幾年從機器學習和深度學習開展計算機視覺是乙個很熱的點。
如果是剛開始接觸這一塊
可以先看看
1斯坦福的公開課cs231 看完大概對CNN 有了乙個印象 （1-2周）
3然後找幾個kaggle（阿里天池）上的專案自己動手試試後面基本上你自己就能找到你自己的方向啦
軟體開發（後端）or機器學習（計算機視覺）？
不要太糾結於眼前的情況，題主應該以學習為主，積累專案經歷。前端 後端 機器學習 網路等等廣泛涉獵。工作一段時間後就有感覺啦。這個行業技術日新月異，不斷學習體會，不用急於一時。 寬濤 在學習研究方面，不敢苟同 興趣為主 這樣的說法，要權衡的事情比較多。最主要的還是看你以後想往哪方面發展吧。只要踏實積累...
關於深度學習（計算機視覺方向），需要學習哪些知識？
永無止境 基礎的深度學習模型，應該是需要掌握的。建議從分類任務開始，慢慢拓展到物體檢測這種較難的任務。一些基礎性的網路結構包括 相較於傳統全連線的神經網路，卷積神經網路的引數更少，遭遇過擬合的風險更低。卷積神經網路 相較於普通的卷積神經網路，殘差網路更易於訓練，層數容易更深。殘差網路 最後，相較於普...
計算機視覺應該怎樣入門？
永無止境 補充一點，深度學習現在已經成為了計算機視覺領域的重要方法。學習一些深度學習方法，對研究計算機視覺是有益的。卷積神經網路 卷積神經網路最開始是用在手寫數字識別上面的，後來也用於其他物體的視覺識別。卷積神經網路 深度殘差網路 殘差網路一出場，就在ImageNet影象識別競賽中奪得了冠軍。深度殘...