重磅！ 2020年最新計算機視覺學習路線教程

這篇文章主要是基於我本身的經驗，側重於計算機視覺學習資源的介紹，若是你們按照這個路線去學，相信這將在很大程度上促進提升你的計算機視覺知識水平。

在開始學習計算機視覺以前，咱們先來了解有關機器學習和python基礎知識。

框架（Frameworks）

雖然你沒必要從一開始就去考慮選擇何種框架，可是實踐應用新的知識是必要的。

對應框架並無太多選擇，主要爲：pytorch或keras（TensorFlow）。Pytorch可能須要編寫更多代碼，但在返回方面具備很大的靈活性，所以咱們能夠先學習如何使用pytorch。此外，大多數深度學習研究人員也廣泛使用pytoch。

Albumentation (圖像加強庫)和 catalyst (框架，pytorch頂部的高級API)在咱們學習計算機視覺的過長中也是很經常使用的工具，咱們也能夠先學習和使用它們，尤爲是第一個。

硬件

• Nvidia GPU 10xx +：（$ 300 +）
• Kaggle內核（免費） ：每週僅30個小時 （https://www.kaggle.com/kernels）
• Google Colab（免費）：12小時的會話限制，每週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是很是好的在線教學課程，涵蓋了計算機視覺的全部必要基礎，是YouTube的在線視頻。這門課程還包含了課後練習，對於新手來講，能夠先不用完成練習。（免費）
  • http://cs231n.stanford.edu/
• Fast.ai是咱們應該學習的另外一門課程。fast.ai是pytorch之上的高級框架，可是它們過於頻繁地更改其API，而且缺少文檔使其使用不方便。可是，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，將其應用於其中一個框架。

文章和代碼

• ArXiv.org ——有關全部最新信息。（免費）（https://arxiv.org/）
• （https://paperswithcode.com/sota）
  • 最多見的深度學習任務的最新發展示狀，而不只僅是計算機視覺。（免費）
• Github——對於實踐的代碼，你將在這裏找到。（免費）（https://github.com/topics/computer-vision?l=python）

書籍

雖然須要讀的書籍很少，可是我相信這兩本書都是有用的，不管你選擇使用pytorch仍是keras

• Keras創做者和Google AI研究人員FrançoisChollet撰寫的Python深度學習。易於使用，可能會得到你之前不知道的見識。（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是各類機器學習競賽的著名在線平臺，其中不少是關於計算機視覺的。即便沒有完成課程，你也能夠開始參加比賽，由於從比賽中會有不少開放的內核（端對端代碼），你能夠直接從瀏覽器中運行它們。（免費）

有挑戰的學習方式（推薦）

另外一種替代方法可能很難，可是這種方法可讓你得到計算機視覺不一樣領域的知識，你們能夠針對本身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：大批乾貨來襲，視覺各個領域經典表明性項目列表以下所示。）

嘗試閱讀和復現以下文章，你將受益不淺。助前行，但願對你們有所幫助。

網絡架構

• 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

語義分割

• 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

生成對抗網絡

• 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

實例分割

• 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

原文連接：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機器學習中文官方文檔：
http://sklearn123.com/

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