-
目录
扫描二维码关注公众号,回复: 15053873 查看本文章1. 前言
- 在学习计算机视觉之前,了解基础的机器学习算法和Python会更好
-
2. 框架
- 2.1 没必要在一开始就选定框架,但是应用最新获得的知识是必要的
- 2.2 可选的框架并不多:
- 2.2.1 Pytorch / Keras(TensorFlow):PyTorch有更大的代码量,但也更为灵活。除此之外,大多数深度学习的研究者也开始使用PyTorch
- 2.2.2 Albumentation(一个快速、灵活的图像增强Python库)和Catalyst(着重于可再现性,快速实验和代码库重用的PyTorch框架)
-
3. 硬件
- 3.1 Nvidia GPU 10XX+ 的型号已足够($300+)
- 3.2 Kaggle Kernels:每周可免费试用30小时
- 3.3 Google Colab:每个会话可以免费使用12小时,每周时限未知
-
4. 理论&实践
-
4.1 网课
-
4.2 文章与代码
- 4.2.1 ArXiv.org:这里有所有的最新文章(免费)
- 4.2.2 https://paperswithcode.com/sota:大多数常见深度学习任务的最前沿研究,不只是计算机视觉(免费)
- 4.2.3 Github:在这里可以找到一些实现代码(免费)
-
4.3 书
- 不需要阅读太多。但无论你使用的是PyTorch还是Keras,如下两本书都很有用
- 4.3.1 Deep Learning with Python:由Keras作者和谷歌AI研究员François Chollet所著。易于阅读,并且你会获得一些你之前不知道的见解(付费)
- 4.3.2 Deep learning with Pytorch:由PtTorch团队的Eli Stevens & Luca Antiga所著(免费)
-
4.4 竞赛
- 4.4.1 Kaggle:这是一个著名的用于各种机器学习竞赛的在线平台,其中的许多竞赛与计算机视觉有关。在完成课程学习之前就可以开始参加,因为当竞赛开始时,会有很多开源的kernals(端到端的代码),你可以直接在浏览器中运行它们(免费)
-
-
5. 更艰难的方法
-
5.1 前言
- 另一个可选的学习方法可能会有点困难,但是你不仅可以完成从训练模型到实现预测的流程,还完成自己的研究。参考自Sergei Belousov aka bes
- 你只需要阅读和实现如下文章(免费)。如果只是阅读它们,也大有裨益
-
5.2 架构
- 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
-
5.3 语义分割
-
5.4 目标检测
- 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
-
5.5 实例分割
- Mask-RCNN: https://arxiv.org/abs/1703.06870
- YOLACT: https://arxiv.org/abs/1904.02689
-
5.6 姿态估计
- PoseNet: https://arxiv.org/abs/1505.07427
- DensePose: https://arxiv.org/abs/1802.00434
-
-
6. 参考
2020年,如何学习和掌握计算机视觉
猜你喜欢
转载自blog.csdn.net/qq_44681809/article/details/114255948
今日推荐
周排行