LEARNDO / ĐỌC THEO LỘ TRÌNH
Bắt đầu với lịch sử và ý tưởng, xây nền tảng, thực hành thị giác 2D, rồi đi vào hình học 3D và kiến thức chuyên sâu. Mỗi bài vẫn có ví dụ, bài tập và chuỗi đọc riêng.
Đây là lịch đọc từ 261 bài đang công khai, không phải ngày xuất bản. Ngày đăng gốc được giữ trên từng bài. Ngày cuối được cân đối để có 2–4 bài; thời gian dưới đây chưa tính thực hành.
Tự viết nội suy song tuyến tính sau một phép affine, đối chiếu warpAffine và đếm lỗ của phép đẩy điểm. Tách miền nguồn hợp lệ khỏi vấn đề nội suy và xử lý biên.
Một ảnh hằng phát hiện lỗi đệm biên, còn một xung phát hiện việc lật kernel. Dùng hai phép thử nhỏ để phân biệt convolution với correlation trong OpenCV.
Làm trơn một đĩa nhiễu, tính Laplacian of Gaussian rồi tìm vùng có đổi dấu đủ mạnh. So số ứng viên trước và sau ngưỡng cùng sai lệch bán kính.
Tự tính trọng số không gian và cường độ của bilateral. Đo phương sai vùng phẳng cùng bước nhảy hai cột sát biên để so với Gaussian.
Giữ nguyên ảnh và kernel, chỉ đổi giá trị ngoài biên để thấy số pixel còn lại sau phép co.
Tạo hai vùng chỉ lệch 10 mức trong ảnh uint16, rồi đối chiếu Otsu trực tiếp với cách ép dải 16 bit xuống 8 bit.
Một dãy pixel chéo cho hai số vật khác nhau tùy lân cận. Dùng liên thông đối ngẫu cho vật và nền để đếm thành phần, lỗ và đặc trưng Euler rõ ràng.
So sánh distance transform Euclid chính xác với xấp xỉ mask 3. Đọc cực đại khoảng cách như tâm ứng viên của một đĩa nằm trong vùng và hiểu giới hạn rời rạc.
Tính centroid bằng tổng tọa độ, đối chiếu OpenCV và chứng minh quy luật dịch chuyển. Một vùng có độ sáng thay đổi giúp phân biệt tâm hình học với tâm có trọng số.
Bạn sẽ dùng bốn góc để đưa một vùng ảnh chụp xiên về hình chữ nhật. Đây là thao tác thường gặp khi xử lý ảnh tài liệu hoặc mặt phẳng.
Quan sát hướng gradient trên ảnh thật, tạo vector HOG 1.764 chiều và hiểu vai trò của cell, block cùng chuẩn hóa tương phản.
Xây dựng một thí nghiệm phân loại vòng đệm và đai ốc, chọn tham số trên validation và đọc ma trận nhầm lẫn trên tập test độc lập.
Chạy bộ dò trên ảnh thật, hiểu scaleFactor và minNeighbors, rồi đặt đúng khung mắt từ tọa độ vùng mặt về tọa độ ảnh.
Mã hóa một ảnh có chi tiết gần ngưỡng, đọc lại bằng OpenCV rồi đo sai số pixel và số nhãn bị đổi.
Dùng một tính chất có thể dự đoán của Gaussian, ngưỡng và morphology để kiểm tra toàn bộ pipeline mà không cần vẽ nhãn mới.
Bạn sẽ đo tốc độ thay đổi của một hàm tại một điểm. So sánh đạo hàm với sai phân giúp bạn hiểu cả ý nghĩa hình học lẫn sai số tính toán.
Bạn sẽ vẽ sigmoid, tanh, ReLU và đạo hàm của chúng. Các đường này giúp giải thích vì sao một số vùng làm gradient nhỏ hoặc bằng không.
Bạn sẽ tính đạo hàm qua một chuỗi phép toán của nơron. Quy tắc chuỗi cho thấy thay đổi ở đầu vào truyền đến kết quả như thế nào.
Bạn sẽ gom các đạo hàm riêng thành gradient rồi dùng nó để giảm hàm mất mát. Thay độ dài bước giúp bạn thấy khi nào quá trình tiến gần hoặc rời xa nghiệm.
Máy sửa dự đoán bằng cách nào? Bạn sẽ tự viết vòng lặp dự đoán, tính sai số và điều chỉnh hai tham số của một đường thẳng.
Một mô hình có thể nhớ rất kỹ dữ liệu học nhưng vẫn dự đoán sai ảnh mới. Bạn sẽ so sánh ba mô hình để nhận ra hiện tượng học thuộc và cách đánh giá công bằng.