建議時間：每周4－5小時

學習Keras：Keras文檔https：／／keras．io／使用Keras構建神經網絡https：／／www．analyticsvidhya．com／blog／2016／10／tutorial－optimizing－neural－networks－using－keras－with－image－recognition－case－study／神經網絡簡介：從零開始的神經網絡https：／／www．analyticsvidhya．com／blog／2017／05／neural－network－from－scratch－in－python－and－r／斯坦福大學神經網絡簡介https：／／youtu．be／d14TUNcbn1k3Blue1Brown的神經網絡：https：／／youtu．be／aircAruvnKk項目：識別服裝https：／／datahack．analyticsvidhya．com／contest／practice－problem－identify－the－apparels／第4個月 – 了解卷積神經網絡（CNN），遷移學習和參加比賽目標：我想將其稱為計算機視覺之旅中的“進階”月份。隨著卷積神經網絡（CNNs）的引入，學習也更上一層樓，這些cnn是我們最近看到的許多計算機視覺應用的幕后推手，包括目標檢測。在你的旅程中，你也應該通過參加比賽來鍛煉自己。

建議時間：每周6－7小時

卷積神經網絡（CNN）簡介：卷積神經網絡（CNN）簡化https：／／www．analyticsvidhya．com／blog／2017／06／architecture－of－convolutional－neural－networks－simplified－demystified斯坦福大學的卷積神經網絡：https：／／youtu．be／bNb2fEVKeEo遷移學習簡介：掌握遷移學習https：／／www．analyticsvidhya．com／blog／2017／06／transfer－learning－the－art－of－fine－tuning－a－pre－trained－model斯坦福大學實踐中的ConvNets：https：／／youtu．be／dUTzeP＿HTZg項目：識別數字：https：／／datahack．analyticsvidhya．com／contest／practice－problem－identify－the－digits參加比賽：DataHackhttps：／／datahack．analyticsvidhya．com／contest／allKagglehttps：／／www．kaggle．com／competitions第5個月 – 解決對象檢測問題目標：對象檢測是一種廣泛使用的計算機視覺技術（也許是使用最廣泛的技術）。這是吸引我使用計算機視覺的原因！這個月就是要熟悉不同的對象檢測算法。另外，我強烈建議你撰寫到目前為止所學概念的文章。

建議時間：每周6－7小時

解決對象檢測問題：目標檢測技術的分步介紹https：／／www．analyticsvidhya．com／blog／2018／10／a－step－by－step－introduction－to－the－basic－object－detection－algorithms－part－1實現faster RCNN用于目標檢測https：／／www．analyticsvidhya．com／blog／2018／11／implementation－faster－r－cnn－python－object－detection使用YOLO進行物體檢測https：／／www．analyticsvidhya．com／blog／2018／12／practical－guide－object－detection－yolo－framewor－python斯坦福大學的物體檢測：https：／／youtu．be／nDPWywWRIRoYOLO論文https：／／arxiv．org／pdf／1506．02640．pdfYOLO預訓練模型https：／／pjreddie．com／darknet／yolo／項目：數臉挑戰https：／／datahack．analyticsvidhya．com／contest／vista－codefest－computer－vision－1COCO物體檢測挑戰http：／／cocodataset．org／＃download開始撰寫文章，與社區互動吧！第6個月 – 了解圖像分割和注意力模型目標：六月，你將學習如何解決圖像分割問題，同時你還將了解什么是注意力模型（無論在理論上還是在實踐上）。在這里，你對計算機視覺的深入了解才真正開始獲得回報。