（一）计算机视觉概述和历史背景
（二）图像分类
https://blog.csdn.net/qq_34611579/article/details/80984315
- 曼哈顿距离（Manhanttan distance）和欧式距离（Euclidean distance）
曼哈顿距离：两个点在标准坐标系上的距离各个坐标轴距之和；
欧式距离：勾股定理计算的两点距离（包括多维空间上）
- 高斯滤波总结：
（三）损失函数和优化
1.损失函数（Loss function）：用来评估 模型预测值f(x)和真实值y之间的不一致程度，常用L(Y,f(x))表示。损失函数越小，模型的鲁棒性越好。损失函数是经验风险的核心部分。
其中，前面的均值函数表示经验风险函数，L()函数则表示的为损失函数，后面加的为正则项（regularizer）亦称之为惩罚项（penalty term）,整个式子目的 为求目标函数的θ最小值。
常用损失函数：
1.合页损失（Hinge Loss）：常见于SVM中；
2.交叉熵损失(Cross Entropy Loss, Softmax Loss)：用于Logistic回归以及Softmax分类中；
3.平方损失（Square Loss）：主要使用于最小二乘法中；
4.指数损失（Exponential Loss）：主要使用在Adaboost集成学习算法中；
5.其他损失（如0~1损失， 绝对值损失）。
常用损失函数详解：
https://blog.csdn.net/zhangjunp3/article/details/80467350
(四）神经网络
反向传播 & 神经网络
https://blog.csdn.net/qq_34611579/article/details/81023228
（五）卷积神经网络
(六) 训练神经网络（上）
（七）训练神经网络(下）
(八) 深度学习软件
（九）CNN框架
卷积神经网络概念与原理：
https://blog.csdn.net/yunpiao123456/article/details/52437794
（十）循环神经网络
https://blog.csdn.net/chandanyan8568/article/details/81843698
RNN算法简介（详细易懂）：
(十一)图像识别与分割
- 课时一：转置卷积
卷积和转置卷积（相当详细且易于理解）：
https://blog.csdn.net/LoseInVain/article/details/81098502
转置卷积时存在棋盘效应（详细原理以及抑制方法）：
https://distill.pub/2016/deconv-checkerboard/
- 课时二：定位
- 课时三：物体识别
前馈模型
YOLO
SSD
- 课时四：物体分割
Mask R-CNN （目前解决物体分割最好的方法），其和Faster R-CNN相似，属于多步处理。
(十二)可视化与神经网络
[转]如何在本地完成CS231n作业：
cs231n assignment（一） features
相关资料：
- 李飞飞 CS231n课程笔记汇总：（另外一个大牛的汇总）
- 计算机视觉：算法与应用 （书籍） 下载链接：