Learning AI All In One

梳理关于AI在Computer Vision/Robotics方向上的学习和应用: "AI is just a tool, but a powerful tool for almost anything."

[TOC]

1. 基础知识

课内必备的基础知识有助于更快速地上手

• Python
• Opencv
• Linux系统操作
• 线代
• 概率论与数理统计
• 数据挖掘

2. Machine Learning/Statistics Learning

如果对自己的数学有一定的自信，愿意从头理解底层算法而不仅仅是当一个调包侠，想要了解机器学习原理的同学，这绝对是你想要的学习路线

• 李航-统计学习分析
  • 了解基础的有监督、无监督算法及其传统应用
• NYU-Machine Learning
  • 强推这个NYU的Data Science项目，个人认为不仅比吴恩达Machine Learning视频更注重底层原理，而且比UCB的Machine Learning更关注实战与应用。
  • 全英教学，从统计和数学的角度去理解机器学习，最后回归到实践应用，解决实际问题。比如最后一个作业就是让你自己动手写一个神经网络的框架（Computational Gragh），并且帮你准备好了测试代码。绝大多数的算法工程师的面试的基础知识都能被这门课的slides给cover到。
• NJU(Lamda)周志华-机器学习
  • 国内最经典的机器学习教程

3. DeepLearning

理解了Machine Learning/Statistics Learning的本质和算法后，就可以开始快速入门DeepLearning的经典算法和模型，此处要求对经典算法的核心思想、实现细节进行准确的把握

参考B站李沐的视频

3.1 分类

3.2 检测与识别

3.3 语义分割

4. Cutting-edge Research

强烈推荐李沐老师、同济子豪兄的前沿论文解读

4.1 Semi-Supervised Learning

4.2 3D Facial Expression Manipulation

4.3 3D Detection and Segmentation

4.4 BEV

4.5 3D Point

4.6 CLIP List

论文列表

1、 PromptDet: Towards Open-vocabulary Detection using Uncurated Images(ECCV2022)

2、 CLIP-Art: Contrastive Pre-training for Fine-Grained Art Classification(CVPR2021 workshops)

3、 CoOp: Learning to Prompt for Vision-Language Models（CVPR2021）

4、 DenseCLIP: Language-Guided Dense Prediction with Context-Aware Prompting(CVPR2022)

5、 Better Vision-Language Models with Feature Adapters(CVPR2021)

6、 ProposalCLIP: Unsupervised Open-Category Object Proposal Generation via Exploiting CLIP Cues(CVPR2022)

7、 Towards Open-vocabulary Scene Graph Generation with Prompt-based Finetuning

8、 StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery

9、 CRIS: CLIP-Driven Referring Image Segmentation