首先基礎的機器學習知識必不可少，因為傳統的一些方法就是手工特徵+機器學習方法等，在2012年以前的ImageNet視覺挑戰賽上獲勝，這裡安利一些資料，不過都是老生常談了。
如周志華老師的《機器學習》、李航老師的《統計學習方法》、《機器學習實踐》、吳恩達老師的cs229、李宏毅老師的機器學習視頻（B站就有），除此以外，基礎的圖像處理知識也是必不可少的，比如岡薩雷斯的《數字圖像處理》。
其次的話，就是深度學習了，2012年以後深度學習方法在計算機視覺領域一騎絕塵，經典網絡必須要知道，LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet、SENet等，還有一些輕量級的網絡，比如ShuffleNet、MobileNet系列，後續我也會在專欄更新相關論文的解讀。
在更詳細的任務中，有一些經典任務，上述的一些網絡主要是分類網絡，用於分類的，比如給一張圖，輸出圖片是貓還是狗，但是會有很多更復雜的問題，比如圖像既有貓又有狗，這時候網絡應該輸出什麼呢？這樣就衍生出了經典任務中的檢測任務、分割任務等。
檢測任務實際是輸出目標的位置和概率，位置就是用bounding box圈出目標物體。目標檢測大概的發展是這樣（本人水平有限，難免會有錯誤，歡迎批評指正），在一張圖中密集生成候選框，然後提取特徵+機器學習分類器，這裡就有一個問題如何生成候選框，滑窗法、隨機搜索法等，不斷髮展。
2014年出現了一個很出名的文章——RCNN，將深度學習用到目標檢測中，但是僅僅是將CNN作為特徵提取器。在此就不再贅述，RCNN系列（RCNN、Fast RCNN、Faster RCNN、Mask RCNN）、YOLO系列（YOLO v1、YOLO v2、YOLO v3）以及SSD，從去年開始湧現了一些anchor-free的工作，在ECCV 2018上出現了一個工作——CornerNet，提出了一個想法——把目標檢測問題轉換成關鍵點檢測問題，之後湧現了CenterNet、ExtremeNet等一系列基於關鍵點的目標檢測工作。
最近谷歌有一些NAS和目標檢測的工作，以及用強化學習的方式選擇數據增廣策略（近期我會復現該論文的數據增廣策略）。
像分割任務，是像素級的分類問題，同樣也有傳統方法和深度學習方法，深度學習比較經典的方法是FCN，輸出大小和輸入大小應該是一致的（這裡大小是長寬）。
目標追蹤任務和檢測任務有一些相似，但有一些不同之處，對每一幀進行檢測的效果和追蹤十分類似，但是目標檢測通常檢測的是已知類別，追蹤可以追蹤給定的第一幀裡的內容，有一些傳統方法、相關濾波方法以及深度學習方法，比如孿生網絡系列的文章。再衍生出來的話，還有Re-ID。
除此以外，還有很多很多計算機視覺任務，比如超分辨率、三維重建（還涉及計算機圖形學等），由於篇幅有限就不一一介紹這些任務的基本發展了，可以找一些論文自己研讀，注意不僅僅是最近的文章，還有上個世紀的文章，最好寫個綜述，看個幾十上百篇文章，讀讀代碼。
有一些計算機視覺、深度學習方向的課和書籍，比如李沐老師的《動手學深度學習》，有課有jupyter notebook，非常好，相見恨晚，還有花書《深度學習》、《計算機視覺：算法與應用》、《計算機視覺——一種現代方法》、《計算機視覺：模型、學習和推理》等。
課的話，可以看cs231n，非常經典的計算機視覺課程，cs224d，雖然這門課是nlp的課，但是RNN這些東西對時間序列建模有非常大的幫助，可以也關注一下。
最近需要的關注的還有GNN paper list，用圖的思想去處理一些計算機視覺問題，以及CV和NLP結合還有一些任務，比如很早之前就有的VQA、caption等，這裡有一篇論文可以參考一下，Trends in Integration of Vision and Language Research: A Survey of Tasks, Datasets, and Methods。
除此以外，代碼能力也非常有必要。
無論是傳統的數字圖像處理還是圖形學，最近我就在看一些圖形學的算法並打算逐一實現，還是深度學習方法，都需要有一定的代碼能力，平時多看看別人寫的代碼，學習一下，最近我就復現了一篇ECCV 2018的文章HairNet，相對我之前的代碼就非常工程化，也便於在其他設備上進行使用。
傳統數字圖像處理使用matlab比較多一點，圖形學使用C++多一點，深度學習的一些代碼主要基於python，還有一些深度學習框架，例如pytorch、mxnet、tensorflow、caffe、darknet等，目前這幾種都或多或少地使用多，安利前面兩種，pytorch目前也是比較主流的框架了，mxnet可以基於李沐大大那本書就學習，對理解底層的代碼比較有幫助，我就是通過那個代碼理解dataloader具體是怎麼實現的。
“快速”二字，我不知道該如何體現，這個因人而異吧，笨鳥先飛，勤能補拙，好好學習是會有收穫的，提升是不知不覺之中的，就像我不知不覺之中就從NLP、KG圈就跑去搞CV、CG了（滑稽臉.jpg）。
最近一些經歷給我一些感觸，傳統的一些數字圖像處理方法還是必不可少的，數學上很fancy，實際上可能也比較work，同時兼具解釋性等特點。入門計算機視覺，或者其他任何一個學科/領域，腳踏實地比較好，切不可建空中樓閣。
閱讀更多 計算機視覺life 的文章
