Ruta de aprendizaje de ingeniería en visión por computadora

1. Aprenda lenguajes de programación y bibliotecas básicas

• Aprenda el lenguaje Python y domine la sintaxis básica, funciones, programación orientada a objetos y otros conceptos.
• Conozca la biblioteca Numpy para computación científica y matrices multidimensionales
• Conozca la biblioteca OpenCV, que contiene muchos algoritmos de procesamiento de imágenes y visión por computadora.
• Aprenda TensorFlow/PyTorch, el principal marco de aprendizaje profundo

2. Aprenda algoritmos de procesamiento de imágenes digitales

• Representación de imágenes (píxeles, escala de grises, binarización, etc.)
• Conversión del espacio de color (RGB, HSV, etc.)
• Operaciones de filtrado (filtrado medio, filtrado gaussiano, filtrado mediano, etc.)
• Operaciones morfológicas (erosión, expansión, operaciones de apertura, operaciones de cierre, etc.)
• Mejora de la imagen (ecualización de histograma, ecualización adaptativa, etc.)
• Algoritmos de detección de bordes (Sobel, Canny, etc.)
• Algoritmos de segmentación de imágenes (región en crecimiento, cuenca hidrográfica, etc.)

3. Aprenda los algoritmos clásicos de extracción de funciones y aprendizaje automático.

• Algoritmos de detección y descripción de características como SIFT, SURF, ORB
• HOG, LBP y otras funciones utilizadas para la representación de imágenes
• SVM, KNN, árbol de decisión y otros algoritmos de aprendizaje automático

4. Aprendizaje profundo de redes neuronales convolucionales.

• Estructuras básicas de CNN, como la capa de convolución y la capa de agrupación.
• LeNet, AlexNet, VGGNet, ResNet y otros modelos de CNN
• Aplicaciones típicas como clasificación de imágenes y detección de objetivos.
• Implementar el modelo CNN usando TensorFlow/PyTorch

5. Práctica práctica de proyectos.

• Implementar un clasificador de objetos simple.
• Búsqueda de imágenes basada en la coincidencia de características
• Reconocimiento de dígitos escritos a mano mediante CNN
• Detección de objetivos basada en aprendizaje profundo

6. Continúe aprendiendo algoritmos avanzados.

• Redes neuronales más profundas (DenseNet, MobileNet, etc.)
• Red Adversaria Generativa (GAN)
• Algoritmo de segmentación de instancias (Máscara R-CNN, etc.)
• Aplicación del aprendizaje por refuerzo en visión por computadora.

7. Conozca las tendencias de la industria y participe en proyectos de código abierto.

• Siga los últimos avances de la investigación en las principales conferencias (CVPR, ICCV, etc.)
• Participe en proyectos de código abierto relacionados con la visión por computadora en Github
• Publicar artículos y enviarlos a las principales conferencias académicas.