深度学习及图像处理学习路线（一）
前言
由于上次审稿人第一条意见如下： The references in this manuscript do not contain basic and advanced works in related fields. Like:
Xiao, Yu, and Zhou Zijie. "Infrared Image Extraction Algorithm Based on Adaptive Growth Immune Field."
Neural Processing Letters 51.3 (2020): 2575-2587.
Nie, Rencan, et al. "A Total Variation with Joint Norms for Infrared and Visible Image Fusion." IEEE
Transactions on Multimedia (2021).
Huang, Yongsong, et al. "Infrared Image Super-Resolution via Transfer Learning and PSRGAN." IEEE
Signal Processing Letters 28 (2021): 982-986.
Lv, Feifan, Yu Li, and Feng Lu. "Attention guided low-light image enhancement with a large scale low-light
simulation dataset." International Journal of Computer Vision 129.7 (2021): 2175-2193.
即我的论文不包含基础和先进的参考文献，我仔细看了这四篇论文，摘要，结论和实验三部分，发现全是基于深度学习的。瞬间觉得落伍了，原来传统的图像增强过时，看来得搞基于深度学习的图像算法才能跟得上时代。
二 深度学习专业基础知识路线
大概查了下深度学习的入门（问搞深度学习的还有就是百度）：一是看书籍，如西瓜书，<神经网络与深度学习-3小时>(邱锡鹏 复旦大学). 二是看吴恩达的深度学习课程（B站）。从前面书籍看，主要内容如下：
三 数字图像处理学习路线
1）对于初级入门者
一个扎实的基础和对于图像处理理论的完整的、系统的整体认识对于后续的深入研究和实践应用具有非常非常重要的意义。打牢基础是非常重要的，特别是要取得更长足的发展，就更是要对基本原理刨根问底，力求甚解，从而做到庖丁解牛，游刃有余。
关于课程——
美国Rich教授的数字图像处理公开课
https://www.ecse.rpi.edu/~rjradke/improccourse.html
B站上有，如下
数字图像处理----杨淑莹，链接如下：
https://www.bilibili.com/video/BV1tx41147Tx
关于教材——
冈萨雷斯的《数字图像处理》
这是一本专门为Electronic Engineering专业学生所写的书。它需要有信号与系统、数字信号处理这两门课作为基础。如果你没有这两门课的基础，你读这本书要么是看热闹，要么就是看不懂。
2）对于中级水平者
增强动手实践的能力。算法开发的工具是Matlab和OpenCV。你可以把这两个东西都理解为一个相当完善的库。当然，在工业中C++用得更多。
3）对于高级进阶者
往深，往高去学习、研究和开发图像处理应用，你最需要的内容就变成了数学。
先记录如下，后面结合视频再慢慢学习。对于有效的学习方式，记得万维钢老师说过，应该具备如下四点：
1.间隔学习（隔一段时间，回想学过的，再学新的）
2.在不同的环境，用不同方式学习同一类容。（例如，上课看老师演示为视觉，课后自己看课本为读写，自己动手操作为实践）
注意点：特定内容适合不同学习方式
3.要经常测验
4.新旧知识联系在一起（熟悉加意外）
总结下，刻意练习是艰苦漫长的过程，如在公司做一个项目至少四个月，还有发一篇EI或SCI至少一年
举例如（半年时间：看论文，产生idea，做实验验证，不断看文献创新晚上想法，再实验验证，之后满意效果再撰写论文，修改论文；半年时间：把论文投给期刊，拒了看下原因改了投另外的期刊，若没拒是修改意见，那么就是认真一点点的修改和回复审稿人，若是返修稿让编辑和审稿人满意，那么就改格式，之后是支付出版费，发表；发表论文一年）
