AI 顯然是最近幾年非?；鸬囊粋€新技術方向，從幾年前大家認識到 AI 的能力，到現(xiàn)在產(chǎn)業(yè)里已經(jīng)在普遍的探討 AI 如何落地了。我們可以預言未來在很多的領域，很多的行業(yè)，AI 都會在里邊起到重要的作用。目前在商業(yè)中有所應用，而且能夠創(chuàng)收的只有搜索推薦和計算機視覺，因此，這兩個方向的人力缺口很大。
-
看吳恩達《機器學習》《深度學習》課程，學一點機器學習的知識。
-
讀幾篇CV模型的文章，了解一下經(jīng)典的Alexnet、R-CNN系列、YOLO等。
-
在github上找?guī)讉€tensorflow、pytorch實現(xiàn)上述模型的開源代碼。
-
下載VOC、ImageNet、COCO、kaggle等數(shù)據(jù)集。
-
按照開源代碼中的Readme準備一下數(shù)據(jù)集，跑一下結果。
但好多初學者學了兩個月、跑了幾次結果后就認為已經(jīng)入行CV了，其實不然，這里面有一個需要注意的問題：計算機視覺屬于圖像處理的范疇，而很多人卻把它當成機器學習來看待。然而實際上幾乎80%的CV的從業(yè)者都沒有從頭至尾深入的學習圖像處理方面的知識。現(xiàn)在有了深度學習，不需要人為提取特征了，所以很多人不再關注圖像底層的信息，而是直接越過這個根基去搭建模型，我覺得這是一個誤區(qū)。不同領域的圖像，例如OCT、MR、遙感、自然圖像等等，有著巨大的特征差異，對這些特征差異性都不了解，怎么在搭建模型之后對精度進行提升和改進呢？怎么在原來模型的基礎上做一些改變呢？因此，我認為好好學習一下圖像預處理、后處理的知識對CV有著至關重要的作用，例如圖像去噪、分割、增強、增廣等等。然而網(wǎng)上很多教程也比較碎片，鑒于此，整理一條學習路線，跟著這個路線重新去梳理一下你的學習計劃，相信計算機視覺水平一定會有質(zhì)的提升。
咨詢熱線：13715568053
