電腦視覺入門路線

2022 年 4 月 20 日
筆記

給大家寫了一個電腦視覺入門路線，這個路線一共分為十一步，每一步指明了學習內容，學習程度，學習方式和學習目的，並指明了各個內容的重難點。

歡迎關注公眾號CV技術指南，專註於電腦視覺的技術總結、最新技術跟蹤、經典論文解讀、CV招聘資訊。

本文主要介紹電腦視覺從入門到具備自主學習能力的一個學習路線。

在介紹具體內容前，有必要先說明現在電腦視覺的情況。

電腦視覺是一個需要會的內容特別多，基礎要求牢固，知識面要求足夠廣的領域。

電腦視覺領域有一個最大的問題在於它使用的方法具有黑盒的特點，一個完整的模型由很多部分組成，其中每個部分都有許許多多的參數，而任何一個地方的改變都有可能影響模型最終的效果，大的會影響收斂與不收斂，小的會使指標浮動好幾個點。但你並不知道每個部分對模型的作用，也不知道模型是如何學習的。

因此，如果你是僅僅學了一下神經網路，學了一下pytorch或tensorflow，然後就開始看別人的部落格學YOLO，學語義分割，github上跑了幾個現有的模型。那你註定對電腦視覺很難有什麼深刻的理解，不管是調參，還是設計模型，都純屬瞎碰運氣。效果不好你不知道為什麼，效果好你也不知道為什麼。

當然了，即便你學得非常好，最終也還是不知道為什麼好，為什麼不好，不然就不叫黑盒了。但有所不同的是，你可以根據你的積累，從你自己對電腦視覺的理解上嘗試去解釋它為什麼好，為什麼不好。這就是電腦視覺領域所有論文的本質了，大家都是在根據自己的理解去設計模型去調試參數。這與前面說的並不矛盾。

因此，如果你想學習電腦視覺，非常牢固的基礎和廣泛的知識面是缺一不可的。

網上已經有很多的入門電腦視覺的經驗，有些說機器學習十大演算法要去手推一遍，否則基礎不牢，有些上來就給一堆專業書籍如西瓜書、模式識別、統計學習方法。

對我自己來說，這些書我都看了，但我寫的路線里不會這麼干，因為這不符合循序漸進的原則。此外，學電腦視覺的不外乎兩類人，一類是本科就在利用空餘時間學習的，一類是讀研了選擇了這個方向，但不管是哪一類，都意味著學這個是沒有像考試及格那樣的硬性要求來強迫你學的。如果一開始就學不明白，一開始就看西瓜書、模式識別這類晦澀難懂的書，會激發人性的弱點，很容易就放棄了。

什麼是一個好的學習路線？它應該是降低執行難度的，大部分人都只會懷疑是自己行動力太差的問題，而不去懷疑是不是學習路線執行難度太大。它需要保證學習者在學習過程中時時獲得成就感，需要保證學得懂，在學習過程中產生繼續學的動力，而不是靠著考試的硬性要求或自身強大的意志力在學。

上面廢話就講到這，本文嘗試寫一個執行難度低的，符合人性弱點的學習路線。

以前寫過一個免費版的，裡面介紹了對於電腦視覺要學的一些內容，也提供了一些資料。本文收費版與之不同的地方在於本文介紹得更加詳細，介紹了學習的先後順序，每個內容的重要程度，哪些可以不用深入，哪些必須要非常熟悉，後續如何進階等。

第一步：統計學習方法

學習內容：關於模型的一些基本概念，簡單的幾個模型：感知機、回歸模型、判別模型等。

學習程度：

1. 了解統計學習方法的三要素、模型評估、模型選擇；

2. 了解判別模型與生成模型；

3. 熟悉感知機、回歸模型、分類模型，了解它們的區別，原理即可；

4. 了解泛化能力、分類問題、標註問題等；

學習方式：閱讀《統計學習方法》李航版第一章、第二章即可，後面的先不急著去看。

學習目的：主要是了解什麼是模型、有哪些模型、模型的性能影響等基本知識面。