Parcours d’apprentissage des ingénieurs en vision par ordinateur

1. Apprenez les langages de programmation et les bibliothèques de base

• Apprenez le langage Python et maîtrisez la syntaxe de base, les fonctions, la programmation orientée objet et d'autres concepts
• Apprenez la bibliothèque Numpy pour le calcul scientifique et les tableaux multidimensionnels
• Apprenez la bibliothèque OpenCV, qui contient de nombreux algorithmes de traitement d'images et de vision par ordinateur
• Apprenez TensorFlow/PyTorch, le principal framework de deep learning

2. Apprenez les algorithmes de traitement d’images numériques

• Représentation de l'image (pixel, niveaux de gris, binarisation, etc.)
• Conversion de l'espace colorimétrique (RVB, HSV, etc.)
• Opérations de filtrage (filtrage moyen, filtrage gaussien, filtrage médian, etc.)
• Opérations morphologiques (érosion, expansion, opérations d'ouverture, opérations de fermeture, etc.)
• Amélioration de l'image (égalisation de l'histogramme, égalisation adaptative, etc.)
• Algorithmes de détection de contours (Sobel, Canny, etc.)
• Algorithmes de segmentation d'images (région en croissance, bassin versant, etc.)

3. Apprenez les algorithmes classiques d’extraction de fonctionnalités et d’apprentissage automatique

• Algorithmes de détection et de description de fonctionnalités tels que SIFT, SURF, ORB
• HOG, LBP et autres fonctionnalités utilisées pour la représentation d'images
• SVM, KNN, arbre de décision et autres algorithmes d'apprentissage automatique

4. Apprentissage profond des réseaux de neurones convolutifs

• Structures de base de CNN telles que la couche de convolution et la couche de pooling
• LeNet, AlexNet, VGGNet, ResNet et autres modèles CNN
• Applications typiques telles que la classification d'images et la détection de cibles
• Implémenter le modèle CNN à l'aide de TensorFlow/PyTorch

5. Pratique pratique du projet

• Implémenter un classificateur d'objets simple
• Recherche d'images basée sur la correspondance des caractéristiques
• Reconnaissance de chiffres manuscrits à l'aide de CNN
• Détection de cible basée sur le deep learning

6. Continuez à apprendre des algorithmes avancés

• Réseaux de neurones plus profonds (DenseNet, MobileNet, etc.)
• Réseau contradictoire génératif (GAN)
• Algorithme de segmentation d'instance (Mask R-CNN, etc.)
• Application de l'apprentissage par renforcement en vision par ordinateur

7. Découvrez les tendances du secteur et participez à des projets open source

• Suivez les dernières avancées de la recherche lors des grandes conférences (CVPR, ICCV, etc.)
• Participer à des projets open source liés à la vision par ordinateur sur Github
• Publier des articles et soumettre des articles aux principales conférences universitaires