1樓：
重視理論基礎。剛開始讀研的時候，還是打好基礎為重；到後面的話，肯定是需要做一些專案，但是如果理論基礎不夠牢固的話，在做專案的時候，很難有所突破（儲存的知識不多，沒辦法聯想到好的點子），理論基礎的紮實程度，可以說是個人潛力的乙個衡量吧。
專案經驗。現在很多人都是重視專案經驗的，包括很多企業招聘，為了盡快推進企業的產品的快速落地，往往更希望求職者能夠有一定的專案經驗。但是做專案的時候，不能只是去積累專案的數量，更重要的是根據專案經驗來反饋，看看自己還缺少哪些知識，有哪些能力需要提公升等等，再進行自我的學習提公升，這樣做乙個迴圈，應該是比較好的。
否則可能及時以後找了第乙份比較好的工作，但是入職以後的競爭力恐怕不如他人
個人理解，僅作參考
2樓：張三
瀉藥，以就業為目標的話還是把演算法和工程能力鍛鍊好吧，可能畢業後不一定做CV......現在CV也是深度學習那一套，要做CV的話還是得發有質量的文章，工程方面OpenCV庫得熟悉吧，C++和Python能力得過關。
PS:答主只是個小本科，啥也不懂(=_=)
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...
對於2020入學的計算機視覺研究生，研究生如何學才能畢業找到乙份好工作？
星辰大海 簡單 通用的演算法，應該掌握得越多越好，例如1 卷積神經網路 這個是最基礎的，估計題主早都掌握了。卷積神經網路 2 殘差網路 殘差網路是卷積神經網路的經典改進，其訓練難度較低。殘差模組 3 殘差收縮網路 殘差收縮網路 1 2 主要面向強噪資料，其軟閾值化層是其功能核心。面向強噪 高冗餘資料...
計算機視覺方向研究生，老師沒有專案，我應該如何選擇和規劃自己？
Charmve 本書主要以實戰為主，基礎理論篇主要講解神經網路模型，結合常見的手寫字識別 影象分類 車道線檢測 人臉識別專案 實力分割等實戰演練.更主要的特點在於，系統的整理了前沿的計算機視覺模型，例如注意力機制 跨界模型transformer dert等新型深度學習模型。適合掌握基本演算法知識，一...