計算機視覺引論
什么是計算機視覺； 構建第一個視覺程序； 視覺系統構成； 讓程序做點事情； 課程體系結構； 照明模型； 顏色模型； 圖像的采集與傳輸； 圖像/視頻的壓縮與顯示；

視覺處理與分析
圖像濾波及去噪； 圖像邊緣檢測； 直方圖與圖像分割； 圖像特征描述； 再論圖像分割； 綜合示例； 直線檢測； HARRIS角點檢測； SIFT特征提取； ORB特征檢測； 特征檢測綜合示例； 背景建模； 光流估計； 綜合示例； 視覺編程工具；

機器學習入門
線性回歸簡介； 回歸中的損失函數； 損失函數的概率解釋； 過擬合； Scikit-Learn中帶正則的線性回歸模型； 正則的概率解釋； 線性回歸模型解析求解； 線性回歸模型梯度下降法求解； 線性回歸模型坐標軸下降求解； 回歸模型性能評價指標； 交叉驗證與模型評估； 線性回歸案例分析： Boston房價預測； 特征工程：共享單車騎行量預測； Logistic回歸簡介； Logistic損失函數； 正則項； 牛頓法； Logistic回歸的優化求解； 多類分類任務； 類別樣本不均衡數據； 分類模型評價指標； Scikit-Learn中的Logistic回歸； Logistic回歸案例分析：Otto商品分類； 特征工程：糖尿病發病預測；

機器學習基礎算法
SVM簡介； 帶松弛變量的SVM模型: CSVM； 對偶問題； 核方法； 支持向量回歸：SVR； Scikit-Learn中的SVM； SVM案例分析：Otto商品分類； 決策樹； Scikit-Learn中的決策樹模型； 決策樹案例分析：Otto商品分類； Bagging和隨機森林； Scikit-Learn中的隨機森林模型； 隨機森林案例分析：Otto商品分類； 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商品分類； LightGBM原理； LightGBM使用指南； LightGBM案例分析：Otto商品分析； PCA降維原理； Scikit-Learn中的PCA； t-SNE； Scikit-Learn中的 t-SNE； 降維案例分析：Otto商品數據降維分析； 聚類簡介； KMean聚類算法； Scikit-Learn中的 KMean聚類； 聚類案例分析：Event聚類； 推薦系統簡介； 基于內容的推薦； 基于用戶的協同過濾； 基于物品的協同過濾； 基于矩陣分解的協同過濾； 協同過濾推薦案例分析：MovieLens電影推薦； CTR預估簡介； FTRL模型； FM與FFM； GBDT； Wide and Deep Learning模型； CTR案例分析：Criteo CTR預估；

深度學習入門
深度學習歷史與介紹； 深度學習解決的問題； 感知器介紹； 神經網絡的擬合能力； 全連接神經網絡介紹； 前向傳播； 反向傳播；

深度學習基礎算法
整體介紹； 數據預處理； 神經網絡簡介； 激活函數； Batchnorm； Dropout； 網絡連接方式； Ground truth； 損失函數； 學習率； 優化算法； 過擬合與欠擬合； 正則化； 參數的初始化；

框架與環境
Tensorflow 使用tensorflow構建神經網絡

位姿估計與三維重構
坐標系與相機模型； 相對位姿測量算法； 相機標定； 極線幾何； 立體視覺與三維重構； 特征匹配；

計算機視覺與神經網絡
卷積和池化； 卷積的反向傳播； Tensorflow基礎； 卷積神經網絡的tensorflow實現； 經典卷積神經網絡案例 Vgg/inception網絡代碼講解； 基于slim的神經網模型訓練； 分類定位； 檢測； 檢測模型的訓練與使用； 分割； 人臉； 其他； 特征使用-相似圖；

總結

以上是生活随笔為你收集整理的计算机视觉完整学习大纲，来源于互联网，仅供大家参考~~~的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。