计算机视觉

点击 蓝字 “ python教程 ”关注我们哟！ 前言 Python现在非常火，语法简单而且功能强大，很多同学都想学Python！所以小的给各位看官们准备了 高价值Python学习视频教程及相关电子版书籍， 欢迎前来领取！ Python 是一门更注重可读性和效率的语言，尤其是相较于 Java，PHP 以及 C++ 这样的语言，它的这两个优势让其在开发者中大受欢迎。 诚然，它有点老了，但仍是80后啊 —— 至少没有 Cobol 或者 Fortran 那么老。而且，如果还能派上用场的话，为啥要折腾着改变它呢 (尤其在这个还有那么多方法可以提升它性能的时候)? 实际上这要看你怎么看待它，生命线长本身就是件好事 —— 说明它稳定且可靠。 如果你是像其他许多人一样都是从 Java，C 或者 Perl 开始进入职业生涯的，那么学习 Python 的曲线基本上是不存在的。然而也正是由于 Python 易于上手这一事实，让有些人没有意识到 Python 也应该是一项必要的编程技能。 我要向各位坦诚，我对 Python 的喜爱也是从几年以前才开始的。不经历长期的痛苦教训，我们是不会对这门语言以及它的平台所提供的一切心生感激的。我写下这篇短文的目的就是要将你从同样的痛苦中拯救出来，让你明白为什么需要去了解 Python。 1. Python 易于学习 好吧，相较于其它许多你可以拿来用的编程语言而言，它

今天是2020年11月6日，来到上海正好一个月了，想写一篇学习小结，然后开始尝试一下新的学习方式。 目录 学习资料分享 有关python学习 有关OpenCV+python计算机视觉图像处理学习 有关神经网络学习 有关深度学习基础学习 偏理论 偏实践 关于框架学习 Keras tensorflow Pytorch 方法思考 基础学习 解决问题 新思想新灵感 展望 小结 2020年3月开始接触计算机视觉，接触keras框架，当时很多都不懂，一点一点啃，最后顺利完成了我的第一个视觉项目也就是我的毕设《基于卷积神经网络的人脸表情识别系统的设计与实现》。现简单回忆一下当时的学习历程，顺便总结一点点小小的经验，希望对入门的同学有所帮助，一起加油（一些学习视频的选择可能不是很经典，但却是我自己的有意无意选择了的，故仅做参考）。 学习资料分享 有关python学习 第一次接触python是在2018年10月，当时国庆假期一个人在本科实验室刷视频，做笔记，疯狂输入。学习的是《[小甲鱼]零基础入门学习Python》，当时很遗憾的是没有充分使用CSDN博客，把笔记全都记在了Word文档，记录了很多，有点杂乱。刚开始记笔记也有点笨，很多都记，同时也跟着敲代码，不断试验、出错和解决。有时候遇到好玩的还会自己写个代码逗自己开心（如下图的朋友圈截屏）。 B站链接：https://b23.tv/kLRXOX

计算机视觉研究院专栏 作者：Edison_G 扫描二维码 关注我们 微信公众号 : 计算机视觉研究院 回复“Anchor Free”获取论文集下载 随着 CVPR 2020和ICCV 2020的结束，一大批目标检测的论文在arXiv上争先恐后地露面，更多的论文都可以直接下载。下面几篇paper有异曲同工之妙，开启了anchor-based和anchor-free的轮回。1. Feature Selective Anchor-Free Module for Single-Shot Object Detection2. FCOS: Fully Convolutional One-Stage Object Detection3. FoveaBox: Beyond Anchor-based Object Detector4. High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection 这几篇论文不约而同地将矛头对准了 Anchor 这个检测里面的基础模块，采用anchor-free的方法在单阶段检测器上达到了和anchor-based方法类似或者更好的效果。 anchor-free和anchor-based区别 这个问题首先需要回答为什么要有anchor。在深度学习时代

原文： Deep Learning’s Most Important Ideas[1] 作者 ：Denny Britz（ML 研究员，Google Brain 前成员） 译者：REN 深度学习是一个瞬息万变的领域，层出不穷的论文和新思路可能会令人不知所措。即使是经验丰富的研究人员，也很难准确将研究成果传达给公司的公关部门，继而传达给大众。 对于初学者来说，理解和实现这些技术有利于打下坚实的理论基础，是入门的最佳方法。 在深度学习领域，很多技术都可以跨域多个应用领域，包括计算机视觉，自然语言，语音识别和强化学习等等。在计算机视觉领域使用过深度学习的人，可能很快就能将类似的技术应用到自然语言研究中，即使特定的网络结构有所不同，但其概念，实现方法和代码基本一致。 必须强调的是，本文侧重于计算机视觉，自然语言，语音识别和强化学习领域，但不会详细解释每种深度学习技术，用寥寥数百字解释清楚一篇几十页的论文是不现实的。另外还有一些不容易重现的重要研究，比如 DeepMind 的 AlphaGo 或 OpenAI 的 OpenAI Five（Dota 2 模型），涉及到巨大的工程和运算挑战，因此也不是讨论的重点。 这篇文章的目的，是回顾在深度学习领域影响深远的成果，概述每种技术及其历史背景，尽量引导深度学习新人接触多个领域的基础技术。它们是这个领域最值得信赖的基石，每一个技术都经过了无数次的引用

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 概述 三维重建是一个长期存在的不适定问题，已经被计算机视觉、计算机图形学和机器学习界探索了几十年。自2015年以来，利用卷积神经网络（CNN）进行基于图像的三维重建引起了越来越多的关注，并且表现非常出色。鉴于这一快速发展的新时代，本文全面综述了这一领域的最新发展，重点研究了利用深度学习技术从单个或多个RGB图像中估计一般物体三维形状的方法。 1.简介 基于图像的三维重建的目标是从一幅或多幅二维图像中推断出物体和场景的三维几何和结构，从二维图像中恢复丢失的维数一直是经典的多视图立体和shape-from-X方法的目标，这些方法已经被广泛研究了几十年。 第一代方法是从几何的角度来处理这一问题的；它们侧重于从数学上理解和形式化三维到二维的投影过程，目的是设计不适定反问题的数学或算法解，有效的解决方案通常需要使用精确校准的摄像机拍摄多幅图像。 有趣的是，人类善于利用先验知识解决这种不适定反问题。我们只用一只眼睛就能推断出物体的大致大小和大致几何结构，甚至可以从另一个角度猜测它的样子。之所以能做到这一点，是因为所有以前看到的物体和场景都使我们能够建立起先前的知识，并建立一个物体外观的心理模型。 第二代三维重建方法试图利用这一先验知识，将三维重建问题表述为一个识别问题。深度学习技术的发展，更重要的是，大型训练数据集的可用性不断提高

言有三 毕业于中国科学院，计算机视觉方向从业者，有三工作室等创始人 作者 | 言有三 编辑 | 言有三 为了实现有三“三人行必有我师”的宗旨，现开始招募技术人员 01 招募条件 凡符合以上8种条件之一的，即可以联系有三微信Longlongtogo，进行相关审核。可准备相关的论文，博客等能够证明水平的一切资料。 02 为什么招募 一方面，技术公众号有三一个人难以维护每日高质量文章的输出，为了覆盖到更多的知识面，以及及时给大家提供学习帮助，因此我们需要帮手。 另一方面，也希望给大家提供一个展示自己能力和知识的平台，在知识的分享和与大家的交流中，提高自己的能力和知名度。 03 合作形式 合作有多种形式，依据水平高低和熟悉程度逐步递进。 3.1 文章撰写 写文章可以验证自己很多的知识是否只是半知半解，所以首先要通过写文章来证明能力。 其次，自己会并不一定意味着就能够写好文章，达到教会他人的水平，所以要通过写文章来锻炼各种表达能力。 这个阶段，是免费写文章积攒实力和水平阶段。 3.2 收费课程 达到一定的水平后，可针对性开设相关收费课程，进一步提升自己的水平，同时获取经济受益。 3.3 更进一步 有缘自会相遇。 期待一起牛逼 如果想加入我们，后台留言吧 微信 Longlongtogo 公众号内容 1 图像基础｜2 深度学习｜3 行业信息 往期精选 【技术综述】闲聊图像分割这件事儿 【学习

有兴趣的朋友，欢迎点击『 阅读原文 』，投递简历! 注明：求职 求职招聘群 博士博士后招募、求职招聘、校园招聘、社会招聘和职场人生等信息，扫码添加CV君拉你入群，若已为CV君其他账号好友请直接私信。 我爱计算机视觉 微信号 : aicvml QQ群：805388940 微博/知乎：@我爱计算机视觉 投稿：amos@52cv.net 网站：www.52cv.net 戳原文，来报名，即入职！ 本文分享自微信公众号 - 我爱计算机视觉（aicvml）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4580264/blog/4521378

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 本文经我爱计算机视觉（微信公众号：aicvml） 授权转载，禁止二次转载 计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被研究学者广泛关注。 几天前，arXiv新出一篇目标检测文献《Object Detection in 20 Years: A Survey》对该领域20年来出现的技术进行了综述，这是一篇投向PAMI的论文，作者们review了400+篇论文，总结了目标检测发展的里程碑算法和state-of-the-art，并且难能可贵的对算法流程各个技术模块的演进也进行了说明，还深入到目标检测的特定领域如人脸检测、行人检测等进行了总结，最后列举了未来可能的发展方向。 温故而知新，非常值得参考！ 作者信息： 该文作者来自美国密歇根大学、北京航空航天大学、滴滴出行。 下图是作者在谷歌学术检索目标检测相关关键字返回的历年文献数量，可见该领域20年来越来越受到学术界的关注。2018年有将近1200篇相关文献发表。 目标检测路线图 作者将目标检测近20年来的里程碑算法画在时间轴上，如下： 可见作者将算法大致分为2012年之前的传统检测方法与2012年之后出现的基于深度学习的检测方法。 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。 深度学习方法截然不同的分为两条技术路径

↑ 点击 蓝字 关注视学算法 作者丨深兰科学院李亦超 来源丨 DeepBlue深兰科技 编辑丨极市平台 极市导读 以2014年为分水岭，作者将过去二十年的目标检测发展进程分为两个阶段：2014年之前的传统目标检测，以及之后基于深度学习的目标检测。接下来，文章列举了二十年来目标检测领域的关键技术，思路非常清晰。 过去二十年中与 “ 目标检测 ” 相关的出版物数量的增长 二十年 在计算机视觉领域中有几个基本的任务：图像分类[3]、目标检测[4]、实例分割[5]及语义分割[6]，其中目标检测作为计算机视觉中最基本的任务在近年来引起了广泛关注。某种意义上，它在过去二十年内的发展也是计算机视觉发展史的缩影。如果我们将今天基于深度学习的目标检测技术比作一场“热兵器革命”，那么 回顾20年前的技术 时即可窥探“冷兵器”时代的智慧。 目标检测是一项计算机视觉任务。正如视觉对于人的作用一样，目标检测旨在解决计算机视觉应用中两个最基本的问题： 1. 该物体是什么？2. 该物体在哪里？ 当然，聪明的人可能会立即想到第三个问题： “该物体在干什么？” 这即是更进一步的逻辑及认知推理，这一点在近年来的目标检测技术中也越来越被重视。不管怎样，作为计算机视觉的基本任务，它也是其他计算机视觉任务的主要成分，如实例分割、图像字幕、目标跟踪等。 从应用的角度来看，目标检测可以被分为两个研究主题 ：“ 通用目标检测

最近开源了周志华老师的西瓜书《机器学习》纯手推笔记： 博士笔记 | 周志华《机器学习》手推笔记第一章思维导图 [ 博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择” 博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型” 博士笔记 | 周志华《机器学习》手推笔记第四章“决策树” 博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络” 博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机SVM（上） GitHub地址： 西瓜书纯手推笔记 为方便大家学习，公众号【 计算机视觉联盟 】后台回复【 西瓜书手推笔记 】即可获得 手推笔记 pdf下载链接 为方便大家学习，公众号【 计算机视觉联盟 】后台回复【 吴恩达MLY 】即可获得 吴恩达你书籍 pdf下载链接 **《Machine Learning Yearning》**是吴恩达历时两年，根据自己多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。 作为一本 AI 实战圣经，本书主要教你如何在实践中使机器学习算法的实战经验。 Github ： https://github.com/deeplearning-ai/machine-learning-yearning-cn 在线阅读 ： https://deeplearning-ai.github.io/machine-learning-yearning-cn