简介
- 计算机视觉(Computer Vision, CV)。
- CV算法工程师负责设计，开发和优化各种算法，以处理和分析图像和视频数据。
图像获取
- 提取二维图像，三维图组，图像序列或相关的物理数据，例如声波，电磁波或核磁共振的深度，吸收度或反射度。
预处理
- 对图像作一种或一些预处理，使图像满足后继处理的要求，例如： 二次取样保证图像坐标的正确，平滑去噪等。
特征提取
- 从图像中提取各种复杂度的特征，例如，线，边缘提取和脊检测，边角检测，斑点检测等局部化的特征点检测
检测/分割
- 对图像进行分割，提取有价值的内容，用于后继处理，例如：筛选特征点，分割含有特定目标的部分。
高级处理
- 验证得到的数据是否匹配前提要求，估测特定系数，对目标进行分类。
数学基础知识
- 线性代数： 矩阵运算，特征值与特征向量，向量空间等
- 微积分： 导数，梯度，偏导数，泰勒级数等
- 概率论与数理统计： 随即变量，概率分布，期望，方差，协方差，贝叶斯定理等
- 优化理论： 梯度下降，牛顿法，拟牛顿法，拉格朗日乘数法等
编程基础知识
- Python： 掌握Python基础语法，熟悉Numpy，Pandas，Matplotlib等库
- C/C++： 理解指针，内存管理，面向对象编程等概念，用于算法的高效实现
- OpenCV： 学习OpenCV库的使用，熟悉图像处理和计算机视觉的基础操作。
计算机视觉技术
图像处理
- 图像增强： 灰度变换，直方图均衡化，滤波等
- 图像分割：阈值分割，边缘检测，区域生长等
- 图像特征提取：角点检测，SIFT，SURF，ORB等
计算机视觉算法
- 目标检测： R-CNN系列(R-CNN, Fast R-CNN, Faster R-CNN), YOLO系列，SSD等
- 图像识别： CNN(卷积神经网络)，ResNet,VGG,MobileNet等
- 图像生成： GAN(生成对抗网络)，VAE(变分自编码器)等
- 三维视觉： 立体视觉，结构光，深度估计等
深度学习框架
- TensorFlow： 学习TensorFlow的基础使用，熟悉其高级API(例如Keras)和底层实现
- PyTorch： 掌握Pytorch的动态图特性，熟悉其网络设计和优化工具
