① 计算机视觉有哪些比较好的公开课

感觉可以来先看看opencv-python的文档，基本上常源用的算法原理以及demo都带上了，学习数学证明的同时可以运行代码看效果，文档看完了计算机视觉的基本概念、算法就算是都清楚了。最近在写一本计算机视觉方面的教材也是以该文档作为框架来进行的。
顺便说一下，目前有关计算机视觉、图像处理、甚至机器视觉的差不多也都是按照这个文档的目录抽取一部分来一下的。至于公开课，不知道题主英语水平怎么样，之前曾经试着看了一下吴恩达新版的机器学习视频，没有字幕看着还是非常吃力的。

作者：猫爷
来源：知乎

② 计算机视觉

计算机就业方向有很多选择，Java应用开发方向、全栈应用开发方向、大数据应用开发方向、回Python应用开发方答向都会是未来技术发展的主流方向，传智专修学院目前开设了这四个有很大发展前景的学科，让更多的人可以接触到这些前沿的技术

③ 现如今，计算机视觉还需要学习以前的方法吗

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。

让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头，发展到能够支撑那些每天被数亿用户使用的应用的。

人工智能（Artificial Intelligence）——为机器赋予人的智能

成王（King me）:能下国际跳棋的程序是早期人工智能的一个典型应用，在二十世纪五十年代曾掀起一阵风潮。（译者注：国际跳棋棋子到达底线位置后，可以成王，成王棋子可以向后移动）。

早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。

人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。

我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。

这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，机器学习。

机器学习—— 一种实现人工智能的方法

健康食谱（Spam free diet）：机器学习能够帮你过滤电子信箱里的（大部分）垃圾邮件。（译者注：英文中垃圾邮件的单词spam来源于二战中美国曾大量援助英国的午餐肉品牌SPAM。直到六十年代，英国的农业一直没有从二战的损失中恢复，因而从美国大量进口了这种廉价的罐头肉制品。据传闻不甚好吃且充斥市场。）

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推进，学习算法的发展改变了一切。

深度学习——一种实现机器学习的技术
放猫（Herding Cats）:从YouTube视频里面寻找猫的图片是深度学习杰出性能的首次展现。（译者注：herdingcats是英语习语，照顾一群喜欢自由，不喜欢驯服的猫，用来形容局面混乱，任务难以完成。）

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。

④ 急请高手指教，在计算机视觉中，用两个摄像机和三个摄像机拍摄的视频来进行三维重构有什么区别

当然有区别~ 不过这种轨迹你可以直接在3D软件就可以得到~maya也可以
不过要是想拍实际的视频~还是建议你多弄几个机位

⑤ 有哪些比较好的机器学习，数据挖掘，计算机视觉

作者：杜客
链接：https://www.hu.com/question/37686401/answer/101494842
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

推荐理由：

  • 授权翻译斯坦福深度学习课程CS231n-Convolutional Neural Networks for Visual Recognition（面向视觉识别的卷积神经网络）官方笔记。

  • 翻译获得课程讲师Andrej Karpathy的授权。

    • <img src="https://pic2.mg.com/50/_hd.jpg" data-rawwidth="1620" data-rawheight="906" class="origin_image zh-lightbox-thumb" width="1620" data-original="https://pic2.mg.com/_r.jpg">
    Fei-Fei Li的主页：Stanford Computer Vision Lab （直接就是斯坦福计算机视觉实验室主页，好吧大老板你牛逼）
    Andrej Karpathy的个人网页：Andrej Karpathy Academic Website
    Justin Johnson的个人网页：Justin Johnson

  • 课程结构：课程一共15课，内容由简入难。从线性分类器到神经网络再到卷积神经网络，递归神经网络。包含3个有分量的作业（专栏下步计划讲解的内容）和多个详细的笔记（专栏正在翻译的内容）。

  • 课程近况：最近由于课程中的一些版权引用，导致课程视频在YouTube上被下架，目前斯坦福正在努力恢复。需要视频的同学看下条。

  • 课程资源获取：http://pan..com/s/1gfEuAX1，资源包含所有CS231n课程视频和PPT，提取码请私信我。


    • 翻译进度

  • 所有note均已草译完毕，正在仔细修改和校对，已经发布11篇：

  • 获得授权翻译斯坦福CS231n课程笔记系列 - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：Python Numpy教程 - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：图像分类笔记（上） - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：图像分类笔记（下） - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：线性分类笔记（上） - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：线性分类笔记（中） - 杜客的文章 - 知乎专栏

  • CS231n课程笔记翻译：线性分类笔记（下） - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：最优化笔记（上） - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：最优化笔记（下） - 智能单元 - 知乎专栏

  • 斯坦福CS231n课程作业# 1简介 - 智能单元 - 知乎专栏

  • CS231n课程笔记翻译：反向传播笔记 - 智能单元 - 知乎专栏

  • 发布节奏按照1周1-2篇的速度发布。

  • 欢迎知友们对我们的翻译内容批评指正，请直接在文章下评论。

  • 笔记长度较长，包含公式和代码等，建议在PC端阅读。


    • 一些废话

  • 寻求学习资源，寻求同伴，寻求大牛知道等问题是每个机器学习初学者开始学习的时候都遇到过的问题。

  • 翻译是一个降低门槛，传播知识，充满理想主义的行为。希望能通过自己的一点努力，让后来者更加快速地进入领域，利用深度学习的知识让我们的世界变得更好！

  • 这么多干货，最后来点鸡汤怎么了？！

⑥ 计算机视觉相关好的书和需要的课程

我以前似乎在某篇论文里看到过有计算机视觉通用的系统分析师考试串讲视频课程 根据最新的系统分析师考试大纲和作者进行考试辅导涉及的主要内容有UML相关

⑦ 关于计算机视觉处理视频判断运动状态

会涉及到目标追踪的问题
估计你还要自己根据项目要求设计一些具体的算法：
比如：怎么判断跌倒、碰撞、转向？
你把算法弄好，不管OpenCV还是Matlab，都是算法实现平台问题。
是你实现项目任务的所采用的工具。
关键在算法。
你可以多查些资料来参考。

⑧ 智能视频图像处理与模式识别需要学习哪些课程

数学课程比较重要，高等数学、随机过程、矩阵论、泛函等
专业课程主要有数字图像处理、计算机视觉、模式识别、机器学习等