1樓：超越
其實可以轉換思路，先確定要學習哪些計算機視覺演算法，再針對性地補充數學知識。
因為數學知識幾乎是無窮無盡的，大部分數學家也學不完。
最近這些年，深度學習，尤其是卷積神經網路及其變體，成為了計算機視覺領域的重要方法。一些基礎的深度學習方法包括：
① 卷積神經網路
下圖中的AlexNet是卷積神經網路的經典結構，在ImageNet影象識別競賽中取得了很好的成績。
卷積神經網路
② 深度殘差網路
深度殘差網路屬於卷積神經網路，僅僅新增了軟閾值化，就明顯降低了訓練難度、提公升了效果。
深度殘差網路
③ 深度殘差收縮網路
如果資料含有較多冗餘、較強的雜訊，深度殘差收縮網路[1]
[2]在一定程度上可以緩解這一問題。如下圖所示，深度殘差收縮網路在模型中新增了軟閾值化，而且自動設定了閾值，從而消除冗餘資訊[3]。
（面向強噪、高冗餘資料的）深度殘差收縮網路
2樓：展翼
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、微分幾何裡的一些基本概念和基本定理很有好處
3樓：胡知知
這是乙個關於前置課程（Prerequisites）的問題。
有乙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裡要求什麼。
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。
4樓：
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，因為你對二維影象處理都是矩陣。
數理統計，影象的處理都涉及統計知識。
最優化，求區域性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
5樓：甄景賢
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。
計算機專業研究生需要學習哪些數學？
矩陣論 線性代數，高等代數 概率論與統計 優化論 線性優化，非線性優化，統計優化 排隊論 馬兒可夫過程 博弈論演算法與資料結構 圖論計算理論 數論數學分析 近世代數 常微分方程 偏微分方程及數值解法 數值計算 複雜網路 計算幾何 傅利葉分析 小波分析 模糊數學 組合優化 遺傳演算法 貝葉斯網路 從以...
計算機視覺的前沿理論有哪些？
者也 感覺這個問題拆開來講可能更好一點 關於前沿 任何乙個方面，只要能使計算機接近甚至達到人眼視覺的水平，就是這個領域的前沿。雖然說計算機視覺技術在一些應用領域如產品缺陷檢測，條形碼掃瞄等已經有大規模的商業應用，但是在更普遍的視覺應用上，離人眼視覺的水平還相去甚遠。這也是該領域充滿機遇與挑戰，研究十...
2023年計算機視覺有哪些競賽？
皮卡丘 計算機視覺的最終研究目標就是使計算機能象人那樣通過視覺觀察和理解世界，具有自主適應環境的能力。要經過長期的努力才能達到的目標。因此，在實現最終目標以前，人們努力的中期目標是建立一種視覺系統，這個系統能依據視覺敏感和反饋的某種程度的智慧型完成一定的任務。例如，計算機視覺的乙個重要應用領域就是自...