文/编辑 | 言有三
疫情已经转好！3月春招即将来临，该找工作找实习的可以做好准备了，本次介绍我们3月份给大家准备好的学习资料服务(注意：3月内结束所有领域的初步学习)。
对欲从业计算机视觉者说的话
计算机视觉技术诞生于半个多世纪以前，随着深度学习技术的成熟开始在很多领域大规模落地，以研究方向来说，大大小小至少数十个领域，我们公众号介绍过一些，大家也可以自己去了解。这里我重点想说的有几件事情。
(1) 计算机视觉技术饱和了吗？这是在2019年里被反复讨论的主题。
我的回答是，研究领域没有饱和，很多老问题如分类检测跟踪在与复杂的现实场景做搏斗，很多底层问题如图像增强还止步于实验室环境中，别看文章写的漂亮，离产品落地差的很远，诸如3D图像，计算机图形学等领域甚至只能说初探其境，谈何饱和。应用领域则更是短期内不可能饱和，很多的行业都还等着计算机视觉技术去优化流程，降低成本。
所谓饱和，饱和的是浅尝辄止的心态，如果不求甚解，并不爱这个行业，那么我的建议就是劝退。
另外，关于算法工程师，请大家不要停留在算法工程师就是看看文章做做调参这个认知上，它要做的事情很多。搜集合适的数据，选定项目方案，模型优化部署，算法后续迭代，都不是简单的工作。
(2) 计算机视觉和自然语言处理哪个领域更好？这也是被新手反复提的问题。
我的回答是，这个问题就好像是学英语专业更好还是学计算机专业更好，不好对比。计算机视觉领域的应用比自然语言处理要多，发展也成熟很多，自然语言处理领域从业竞争者暂时会少一些，不过语音处理更少吧。长远来看，选职业跟选对象是一样的，日日面对，自然要遵从内心是否喜欢，因为这些行业都不是昙花一现的。
站在一个更大的时间跨度来看，21世纪人才英语和计算机都得学好，AI领域专业人才计算机视觉和自然语言处理都得学好。
(3) 达到一个什么样的水平可以去找工作？
我的回答是，这应该是取决于你想找一个什么样的工作，跟找对象也是同样的道理，大多数人是高不成低不就。一个行业发展渐趋成熟稳定后，从业者肯定是金字塔分布。
如果将这一行的从业者分为三个梯队，那么第一梯队是顶级研发人员，占比不会超过5%，大部分同志并不会成为其中一员，在没有三五年的积累后先不用考虑。
第三梯队是大中小企业的一线开发，占比至少在60%以上，所需要的技能是丰富的项目经验和扎实的编程能力，其中难点在于培养出对项目的敏感性，能够以较低成本不走歧路地完成项目。如何成为这样的人，第一步至少要先熟练掌握计算机视觉的基础算法，精读足够多的文章，从头到尾完整做过多个不同方向的项目。
第三梯队是非核心开发人员。很少有人一上来就担当大任，所以一开始入行往往是从这个梯队开始的，跟着别人做事学习，比如做数据分析与标注类工作。所需要的技能是扎实的编程能力和一定的算法经验，东西看的懂，用得对。
关于春招我们的指导计划
当你在某一个领域里做到极致，便会成为该领域的专家，便会有自己的立足之地。在深度学习&计算机视觉领域中，目前工业界落地的产品和人才分布主要就在三大方向，模型优化，人脸算法，图像质量。
(1) 模型优化。既有专门从事前沿的算法研究人员，也有专注于模型部署和调优的移动端算法工程师，覆盖范围非常广泛。
(2) 人脸算法。人脸是整个计算机视觉中应用最广的方向，从早期的检测识别，到如今的各种人脸编辑。学习好人脸算法，自然也可以泛化到其他类似领域，比如动物脸，物品识别等。
(3) 图像质量。图像质量是整个计算机视觉领域中非常底层的内容，它专注于分析图像的底层信息并进行提升，在在线直播，摄影等领域中有非常广泛的应用。
本次针对性指导脱胎于有三AI秋季划，所有内容的第一阶段学习将在3月份完成，即完成所有方向的了解和基本实践，后续则保留群做永久学习。
下面我们对各个组进行介绍。注意：参加该组须满足以下基本要求，如不满足请自行弥补基础或参加有三AI春/夏季划，介绍可以移步文末文章的季划介绍链接。
(1) 熟练掌握Linux和Python，会使用C++编程，了解CUDA编程。
(2) 至少能使用Caffe，Tensorflow，Pytorch三大开源框架。
(3) 扎实的数字图像处理基础，熟练掌握OpenCV。
(4) 扎实的深度学习理论基础。
(5) 准备好GPU，如果没有可以临时租用有三AI平台的GPU，或者进组后大家进行合租，没有GPU有一些实战无法进行。
模型优化组
模型优化小组的目标，就是掌握深度学习模型设计，调参，优化，部署。需要学习的东西包括8大方向：数据使用，模型使用和调参，模型性能分析，紧凑模型设计，模型剪枝，模型量化，模型部署，自动模型设计(NAS)。
数据使用
数据使用项目包括：
(1) 如何针对自己的任务搜集，整理数据
(2) 如何对数据的质量进行分析
(3) 如何选择好数据的尺度
(4) 图像分类等基本任务中的数据增强实战
模型使用和调参
模型使用和调参项目包括：
(1) 如何针对自己的任务选择好基准模型架构
(2) 如何设计和改进模型
(3) 如何对模型进行训练调参
模型分析
模型分析项目包括：
(1) 如何对模型进行可视化
(2) 如何对模型的计算量和参数量进行分析
紧凑模型设计
紧凑模型设计项目包括：
(1) 如何压缩大模型
(2) 如何设计小模型
(3) 如何保障小模型的性能
模型剪枝
模型剪枝项目包括：
(1) 模型剪枝理论学习
(2) Tensorflow等模型剪枝开源框架使用
模型量化
模型量化项目包括：
(1) 模型量化理论学习
(2) Tflite/TensorRT等模型量化工具的使用
模型部署
模型部署项目包括：
(1) Caffe的熟悉和使用
(2) ONNX的熟悉和使用
(3) MACE/MNN的熟悉和使用
自动化模型设计(NAS)
自动化模型设计项目包括：
(1) NAS基础理论学习
(2) AutoKeras等NAS工具使用
人脸算法
人脸算法小组需要掌握当前人脸图像领域的主要算法，学习的东西包括8大方向：人脸检测，人脸关键点检测，人脸识别，人脸属性分析，人脸分割，人脸美颜，人脸编辑与风格化，三维人脸重建。
人脸检测
人脸检测项目包括：
(1) 通用的人脸检测算法，掌握大姿态，遮挡，小脸检测技术原理
(2) 人脸检测项目实践
关键点检测
关键点检测项目包括：
(1) 通用的人脸关键点检测算法，大姿态，有遮挡的关键点检测算法，人脸关键点跟踪算法原理
(2) 人脸关键点检测项目实践
人脸识别
人脸识别项目包括：
(1) 通用的人脸识别算法，遮挡，跨年龄的人脸识别算法原理
(2) 人脸识别项目实践
人脸属性分析
人脸属性分析项目包括：
(1) 人脸表情，颜值，年龄等算法原理
(2) 人脸属性分析项目实践
人脸属性分割
人脸属性分割项目包括：
(1) 图像分割模型设计和优化方法
(2) 人脸属性分割项目实践
人脸美颜与美妆
人脸美颜项目包括：
(1) 通用美颜技术如磨皮美白，大眼，瘦脸以及化妆算法原理
(2) 人脸美颜项目实践
人脸编辑与风格化
人脸编辑项目包括：
(1) 通用的编辑技术，如表情迁移，姿态迁移，换脸等
(2) 人脸编辑项目实践
人脸重建
人脸重建项目包括：
(1) 传统优化和深度学习三维人脸重建算法原理
(2) 三维重建项目实践
图像质量
图像质量小组需要掌握与图像质量相关的内容，学习的东西包括8大方向：图像质量评价，图像构图分析，图像降噪，图像对比度增强，图像超分辨，图像去模糊，图像风格化，图像修复。
图像质量评价
图像质量评估项目包括：
(1) 图像质量评估，美学评估算法原理
(2) 图像质量评估项目实践
图像构图
图像构图分析项目包括：
(1) 显著目标检测与图像构图算法原理
(2) 图像构图/缩略图生成项目实践
图像降噪
图像降噪项目包括：
(1) 传统图像与深度学习图像降噪算法原理
(2) 图像降噪项目实践
图像对比度与色调增强
图像对比度增强与色调增强算法项目包括：
(1) 传统图像与深度学习图像增强算法原理
(2) 图像增强项目实践
图像超分辨
图像超分辨项目包括：
(1) 传统图像与深度学习超分辨算法原理
(2) 图像超分辨项目实践
图像去模糊与锐化
图像去模糊与锐化项目包括：
(1) 传统图像与深度学习图像锐化和去模糊算法原理
(2) 图像去模糊项目实践
图像风格化
图像风格化项目包括：
(1) 传统图像与深度学习图像风格化算法原理
(2) 图像风格化项目实践
图像修复
图像修复项目包括：
(1) 传统图像与深度学习图像修复算法原理
(2) 图像修复项目实践
学习方式
1，学习形式
第一阶段学习：
3.1号开始，至3.31号结束，每周两个方向，需要完成推荐资料的阅读和项目实践，具体资料包括：
(1) 与项目配套的录制视频(有三所录)。
(2) 与项目配套的开源资料。
(3) 与项目配套的代码数据。
(4) 永久有效的相关微信群，每周各个方向一次微信群直播，其余时间自由讨论。
(5) 有三AI知识星球社区。
2，学习建议
报名模型优化+人脸或者模型优化+图像质量组，不建议报三个组。所有的内容都是先学习理论，再进行实践，有推荐的学习路线和时间。
3，后续学习
虽然学习有明确统一的时间规划，但是其实要想做好每一个方向，一个月肯定是不够的，后面永久存在的技术讨论群，有三的答疑，有三AI知识星球才是最有价值的，类似于以前有人盗取/倒卖有三AI的资源，其实只不过得到皮毛。
报名细则
(1) 每一个小组参与费用999，同时报名两个1800，学习时间终身有效
(2) 赠送有三AI知识星球和有三所写的一本书籍
(3) 原有的春，夏计划成员可以半价参与任意多个项目
就是这样，感兴趣联系有三微信Longlongtogo。