CV 领域这样入门进阶才是对滴（二）

上次我们简单介绍了OpenCV及计算机视觉的定义，今天我们继续说说基础知识。今天主要讲 Python 和 图像基本处理 。

文末有计算机视觉领域的福利，分享并留言依然可以拿到 红包大奖 。

P y t h o n

如果你选择了TensorFlow工具，我觉得很有必要学习 Python 语言，我之前一直使用Caffe，有兴趣的也可以了解，下次我也可以为大家说说Caffe、TensorFlow及比较流行的深度学习工具。

这里稍微介绍一下Python和Numpy/Scipy的一些基础吧，如果Python老手，别浪费时间了，去完成自己的伟业去吧，或者你也可以直接去看下面的 图像基本处理 知识。

→ 基本数据类型 ←

其中，最常用的有数值型(Numbers),布尔型(Booleans)和字符串(String)三种。

• Numbers

x = 1

print(type(x))    # 输出为：""

print(x)              # 输出为： "1"

print(x + 1)        # 输出为： prints "2", 加减乘除幂等就不一一细说

x += 1                #自加1

print(x)              # 输出为： "2"

x *= 2                #自乘

print(x)              # 输出为： "4"

记住 ，Python中有一些与C++不同，比如没有x++ 和 x– 操作

• Booleans

temp1 = True

temp2 = False

print(type(temp1))   # 输出为： ""

print(temp1 and temp2)  

# 逻辑与; 输出为： "False"

逻辑或、 逻辑非、 XOR等不细说咯~

• String— 字符串可以用单引号/双引号/三引号声明

temp1 = 'hello'   

temp2 = "world"   

print(temp1)             # 输出为：' hello'

print(len(temp1))      # 字符串长度; 输出为： "5"

temp3 = temp1 + ' ' + temp2     # 连接

print(temp3)            # 输出为：' hello world'

注 ：字符串比较重要，有很多常用的函数，可以进一步去学习

→  基本容器  ←

• 列表（List）

temp1 = [1, 2, 3]

print(temp1, temp1[2])   # 输出为： "[1, 2, 3]  2"

print(temp1[-1])             # 第-1个元素，其实就是最后一个元素， 输出为：2

列表常用的操作有：  

切片（slicing）： print(temp1[1:2])     # 下标从1到2-1的元素,  输出为："[1]"

循环（loops）： for animal in animals: print animal  输出为：3 1 2

还有其他使用可以自行学习~加油

• 字典（Dict） ——用于存储key-value对

temp = {'A': 'a', 'B': 'b', 'C':'c'}           # 创建字典

print(temp['A'])                            # 根据key取出a

print('B' in temp)                                

# 判断是否有'B'这个key, 输出为：True

• 元组（Turple） 

其实，元组还是一个list，只不过里面的每个元素都是一个两元组对，而且不可修改。

temp =  {(1, 2): 0, (3, 4): 1}

temp1 = (3, 4)

print(type(temp1))   # 输出为： ""

print(temp[(3,4)])    # 输出为： "1"

→  NumPy基础   ←

该段知识就比较多了，不能一一那么详细举例，只要你看过，都会了解，不用我去慢慢写出来的。

主要有： 数组、 Numpy数组索及取值，数组类型、数组计算等 。

Numpy其实还提供了非常方便操作和计算的高维向量对象，并提供了最基本的操作方法，而Scipy就是在Numpy的基础上，提供了大量的函数去直接完成使用者需要一些操作，如果有兴趣可以详细阅读 Scipy文档。

图   像    处   理

主要知识框架如下：（配图有点丑+ +）

接下来的推送中，“计算机视觉战队”平台会单独详细讲解图像基础处理，并用典型的例子在OpenCV中实际操作以来体现。

文    末    福    利

相信有很多朋友在做目标检测，今天的福利就是分享一波高质量paper：

• Cascade R-CNN: Delving into High Quality Object Detection

• Domain Adaptive Faster R-CNN for Object Detection in the Wild

• Multi-scale Location-aware Kernel Representation for Object Detection

• Object Detection using Domain Randomization and Generative Adversarial Refinement of Synthetic Images

• Relation Networks for Object Detection

• Beyond Trade-off: Accelerate FCN-based Face Detector with Higher Accuracy

• Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks

• Seeing Small Faces from Robust Anchor’s Perspective

• Direction-aware Spatial Context Features for Shadow Detection

• A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

• Speed/accuracy trade-offs for modern convolutional object detectors

• Discriminative Bimodal Networks for Visual Localization and Detection with Natural Language Queries

• Accurate Single Stage Detector Using Recurrent Rolling Convolution

• RON: Reverse Connection with Objectness Prior Networks for Object Detection

• Mimicking Very Efficient Network for Object Detection

• Learning non-maximum suppression

• Deep Variation-structured Reinforcement Learning for Visual Relationship and Attribute Detection

• Detecting Visual Relationships with Deep Relational Networks

• Multi-Path Region-Based Convolutional Neural Network for Accurate Detection of Unconstrained “Hard Faces”

• Scale-Aware Face Detection

• Detecting Faces Using Inside Cascaded Contextual CNN

• Finding Tiny Faces

• Expecting the Unexpected: Training Detectors for Unusual Pedestrians with Adversarial Imposters

• What Can Help Pedestrian Detection?

• Evaluating State-of-the-art Object Detector on Challenging Traffic Light Data

• SRN: Side-output Residual Network for Object Symmetry Detection in the Wild

• Learning Detection with Diverse Proposals

如果想加入我们“ 计算机视觉战队 ”，请扫二维码加入学习群，我们一起学习进步，探索领域中更深奥更有趣的知识！