《计算机视觉：从入门到精通》专栏
欢迎关注本专栏，一起探索新世界
大家好，我是HYK。985院校硕士毕业，现担任算法研究员一职，热衷于深度学习算法研究与应用。曾获得阿里云天池比赛第三名，CCE比赛第五名，科大讯飞Q比赛第六名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
今天继续我们的专栏分享！！！！！！！！！！！！！！！！！！！！
本专栏系统梳理计算机视觉技术的完整知识体系，从底层图像处理到前沿深度学习应用，为读者构建扎实的理论与实践基础。
基础篇涵盖数字图像表示、色彩空间、滤波与边缘检测等传统方法，解析SIFT、HOG等经典特征提取算法，建立视觉理解的数学根基。核心篇深入卷积神经网络原理，详解ResNet、EfficientNet等骨干网络设计，覆盖目标检测（YOLO/Faster R-CNN）、语义分割（U-Net/DeepLab）、实例分割等核心任务。进阶篇探索Transformer视觉模型（ViT/Swin）、自监督学习、神经辐射场（NeRF）及多模态大模型（CLIP/SAM）等前沿方向，剖析注意力机制与扩散模型如何重塑视觉智能。
专栏注重代码实践，每章配套PyTorch实现与真实数据集案例，涵盖工业质检、自动驾驶、医学影像、AIGC等应用场景。无论您是初学者建立知识框架，还是从业者追踪技术演进，这里都提供从像素操作到产业落地的完整路径，助您掌握让机器"看见"世界的核心能力。
第1章 计算机视觉概述与历史演进
第2章 数字图像基础与预处理
第3章 线性代数与优化基础
第4章 机器学习基础回顾
第5章 神经网络与反向传播
第6章 卷积神经网络（CNN）架构
第7章 图像分类与迁移学习
第8章 目标检测基础
第9章 图像分割技术
第10章 注意力机制与Transformer基础
第11章 Vision Transform er（ViT）及其变体
第12章 自监督学习与表示学习
第13章 神经架构搜索（NAS）与AutoML
第14章 目标跟踪与视频分析
第15章 图像生成与合成