最近几年AI是非常火的一个新技术方向，几年前还在讨论什么是AI，到现在大家已经开始讨论工业AI的落地问题了。

1.什么是计算机视觉

计算机视觉是一门研究如何使机器“看”的科学，更确切的说，计算机视觉就是用相机和电脑代替人眼对目标进行识别、跟踪和测量等。计算机视觉是对图像的进一步处理，从而得到某种需要的信息。

计算机视觉既是工程领域也是科学领域中一个富有挑战性重要研究领域，计算机视觉是一门综合性的学科，涉及很多学科的知识。其中包括计算机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。

2.CV领域怎么样

在人工智能这个方向中，CV领域落地效果最好，应用场景也非常广泛。也因此催生了诸多的独角兽公司，例如商汤科技，旷视科技，云从科技，依图科技。

而BAT（百度、阿里、腾讯）、TMD（头条、美团、滴滴）小米、京东等互联网大小巨头也纷纷布局CV业务，看一下百度的AI开放平台：

CV应用场景有很多，如安防的人脸识别，行为识别，还有金融，新零售，汽车，交通，医疗，教育，物流，工业制造，移动产品等等场景。从发展前景来说，未来的社会肯定会越来越需要AI，也需要CV，需求多，而且供不应求，所以CV的薪资相对较高。

3.怎么入门计算机视觉

学习路线如下：

3.1 Linux学习

学习Linux基本命令，Shell编程，Linux系统与环境，Linux应用编程。

3.2 Python学习

Python是AI最流行的编程语言，需要熟练编写基本程序，熟悉OpenCV等计算机视觉库的使用。

3.3 C++学习

C++是项目落地的关键，需要熟练掌握C++语法和编程，熟悉C++计算机视觉相关库。

3.4 OpenCV学习

OpenCV是一个历史悠久、功能丰富、社区活跃的开源视觉开发库。它提供了计算机视觉以及图像处理方面最常用最基础的功能支持，是计算机视觉开发的必备工具。

3.5 传统图像算法学习

传统图像算法基础是提升自身计算机视觉素养不可或缺的部分，我们至少需要掌握经典的图像降噪，增强，检测，分割算法等。

3.5 深度学习理论

理论是实践的基础，我们需要掌握CNN的基础概念和各类优化相关的知识。

3.6 深度学习框架

学习了理论，就需要掌握几个框架的基础使用，如Pytorch ,Tensorflow , Caffe。

3.7 项目实战

主要以下要做的：

• 图像分类是所有计算机视觉项目的基础，是深度学习模型发展的基础，需要掌握不同粒度的图像分类任务。
• 图像分割是最底层的图像理解技术，有非常广泛的应用，需要掌握不同粒度的图像分割任务，包括语义分割，实例分割。
• 目标检测是计算机视觉中应用最广泛的领域，需要掌握基础的目标检测框架和目标跟踪框架。
• 模型的设计和理解是整个深度学习领域中最核心的内容，需要掌握各类参数的使用，熟悉架构的设计，知道如何提升模型性能，降低模型参数与计算量。

学妹听完后，决定往CV方向努力向前。

计算机视觉资料，需要的可以下载，后面还会不断补充

链接：https://pan.baidu.com/s/12p_SQm21v2NEa016ymQnQw 
提取码：rtkb