计算机视觉完整学习大纲,来源于互联网,仅供大家参考~~~

计算机视觉引论
什么是计算机视觉; 构建第一个视觉程序; 视觉系统构成; 让程序做点事情; 课程体系结构; 照明模型; 颜色模型; 图像的采集与传输; 图像/视频的压缩与显示;

视觉处理与分析
图像滤波及去噪; 图像边缘检测; 直方图与图像分割; 图像特征描述; 再论图像分割; 综合示例; 直线检测; HARRIS角点检测; SIFT特征提取; ORB特征检测; 特征检测综合示例; 背景建模; 光流估计; 综合示例; 视觉编程工具;

机器学习入门
线性回归简介; 回归中的损失函数; 损失函数的概率解释; 过拟合; Scikit-Learn中带正则的线性回归模型; 正则的概率解释; 线性回归模型解析求解; 线性回归模型梯度下降法求解; 线性回归模型坐标轴下降求解; 回归模型性能评价指标; 交叉验证与模型评估; 线性回归案例分析: Boston房价预测; 特征工程:共享单车骑行量预测; Logistic回归简介; Logistic损失函数; 正则项; 牛顿法; Logistic回归的优化求解; 多类分类任务; 类别样本不均衡数据; 分类模型评价指标; Scikit-Learn中的Logistic回归; Logistic回归案例分析:Otto商品分类; 特征工程:糖尿病发病预测;

机器学习基础算法
SVM简介; 带松弛变量的SVM模型: CSVM; 对偶问题; 核方法; 支持向量回归:SVR; Scikit-Learn中的SVM; SVM案例分析:Otto商品分类; 决策树; Scikit-Learn中的决策树模型; 决策树案例分析:Otto商品分类; Bagging和随机森林; Scikit-Learn中的随机森林模型; 随机森林案例分析:Otto商品分类; Adaboost; GBM; Scikit-Learn中的GBM; XGBoost原理; XGBoost工具包使用指南; XGBoost的Scikit-Learn接口; XGBoost案例分析:Otto商品分类; LightGBM原理; LightGBM使用指南; LightGBM案例分析:Otto商品分析; PCA降维原理; Scikit-Learn中的PCA; t-SNE; Scikit-Learn中的 t-SNE; 降维案例分析:Otto商品数据降维分析; 聚类简介; KMean聚类算法; Scikit-Learn中的 KMean聚类; 聚类案例分析:Event聚类; 推荐系统简介; 基于内容的推荐; 基于用户的协同过滤; 基于物品的协同过滤; 基于矩阵分解的协同过滤; 协同过滤推荐案例分析:MovieLens电影推荐; CTR预估简介; FTRL模型; FM与FFM; GBDT; Wide and Deep Learning模型; CTR案例分析:Criteo CTR预估;

深度学习入门
深度学习历史与介绍; 深度学习解决的问题; 感知器介绍; 神经网络的拟合能力; 全连接神经网络介绍; 前向传播; 反向传播;

深度学习基础算法
整体介绍; 数据预处理; 神经网络简介; 激活函数; Batchnorm; Dropout; 网络连接方式; Ground truth; 损失函数; 学习率; 优化算法; 过拟合与欠拟合; 正则化; 参数的初始化;

框架与环境
Tensorflow 使用tensorflow构建神经网络

位姿估计与三维重构
坐标系与相机模型; 相对位姿测量算法; 相机标定; 极线几何; 立体视觉与三维重构; 特征匹配;

计算机视觉与神经网络
卷积和池化; 卷积的反向传播; Tensorflow基础; 卷积神经网络的tensorflow实现; 经典卷积神经网络案例 Vgg/inception网络代码讲解; 基于slim的神经网模型训练; 分类定位; 检测; 检测模型的训练与使用; 分割; 人脸; 其他; 特征使用-相似图;


更多精彩内容