學習哪些數學對研究計算機視覺有幫助?
本人本科生一枚,將來想選擇計算機視覺方向的碩士和博士。準備去選一些數學系的課,想了解一下哪些數學課對將來研究計算機視覺方面有幫助?
jbhuang0604/awesome-computer-vision · GitHub 是一個很好的computer vision資源匯總的,作者是UIUC的CV PhD,如果你有時間建議看看這上面所列的一些書。
CV是一個涉及面非常廣的學科,目前主流的依據視覺的學習,涉及到概率統計,各類優化方法,圖論;一些研究方向(比如涉及到物體運動的)還會涉及拓撲學,群論,矩陣優化;一些圖像分割演算法,比如level-set,會涉及到微分方程等等。這些也都不是絕對區分的,現在的state-of-art的問題各方面可能都會有所涉及,依據問題本身而已。涉及面太廣,比如你可以大致掃一眼曾經MIT PhD Dahua Lin的博客https://dahuasky.wordpress.com/。但是計算機的研究大多只是涉及,並不一定需要像數學系那樣嚴密的推導。
如果是本科生的話,建議是做做CV的一些基礎,把對圖像相機這些理解弄清楚,數學留到需要時再學。謝邀。看看這本書:
它完全答到了你的問題,而且內容是比較新的數學,和舊式的教科書不同。 作者的中文名字不詳,我試過在網上找 但找不到。
我覺得這書寫得很好,高深的數學解釋得很易懂。
這是一個關於前置課程(Prerequisites)的問題。
有一個很通用的方法知道需要什麼課程:去國外大學CV課程主頁看Prerequisites里要求什麼。比如去 Stanford Computer Vision Lab : Teaching
點開這門課 Stanford University CS231b: The Cutting Edge of Computer Vision如果提及 Prerequisites 的課程代號,就再去搜對應那門課是。從而知道了具體要求/教材等等。個人感覺這比直接去學一整門數學課更有效率,因為CV相關教材會,很多會有對應的數學章節附錄。矩陣相關的數學基礎知識必須學好,因為計算機視覺跟圖像處理聯繫非常緊密,而圖像處理大多將圖像看作矩陣來進行運算。另外概率與統計的知識也得學。目前計算機視覺方向很多人都在搞機器學習。機器學習裡面涉及不少概率與統計的基礎知識。其他的比如代數幾何,譜理論,優化方法,流形學習等數學知識你也可以涉獵一些。樓上說的好!數學方面的東西你用到啥就學啥。如果提前學很多到自己課題上也不一定用得上。如果你時間充足,倒是可以選修一下應用數學這個專業。 謝謝邀請,希望能幫到你!
做一般的研究,學習線性代數、微積分基本就夠了;如果要深入,從更高的角度理解問題,了解下泛函分析、拓撲學、抽象代數、微分幾何里的一些基本概念和基本定理很有好處
我來提一個偏門的,非負矩陣與張量分解
CV是很雜的方向
數學要求稍微高的立體視覺方面 需要學一些射影幾何或者微分幾何
一般的圖像處理需要有線性代數的基礎 且認為所謂矩陣分析也算線性代數吧
涉及到信號需要有一些變換的知識 按邏輯來說是複分析 泛函分析 積分變換 不過沒那麼嚇人
線性系統理論要知道一點 說白了就是常微分線性微分方程的代數話
涉及模式識別的要有一些線性代數和概率的知識 想憋大招的可以上代數幾何
做CV要有一些數學底子防止別人發裝逼的論文 幹活的話數學並沒有那麼嚇人 當然同樣的活想顯得吊一點還是需要高深的數學來包裝矩陣分析,概率,絕對有用
高數+線性代數+一點的信號處理方面,矩陣理論,數值線性代數教材比較好的是Jammes Dammel 的Applied Numerical Linear Algebra,適合做為參考的是 Golub 的 Matrix Computations。南京輕搜,在做圖像識別,計算機視覺這塊,可以了解看看。
矩陣論,必修
首先高數必備就不用說了。離散數學,也是基本必修的,很多計算機課程前提線性代數,因為你對二維圖像處理都是矩陣。
數理統計,圖像的處理都涉及統計知識。
最優化,求局部最小值啊等等很有用。這些都比較基本的,也是本科生可能用到的C語言怎麼入門?我是一名大一計科生,對老師講的課聽得雲里霧裡。。。
推薦閱讀:
※初等數學與高等數學的區別和聯繫是什麼?
※祖沖之的圓周率的出處在哪裡?
※現在的純數學家們對於自然科學的關注大概是怎樣的程度?
※為什麼圓周率是無理數 pi,而不是一個有理數?
※為什麼許多人建議本科學數學,研究生階段轉金融或者計算機?學數學的發展方向只有純數學計算機以及金融嗎?