计算机视觉工程师初级编程难度大。计算机视觉工程师是一个非常专业和技术性很强的职业。
作为计算机视觉领域的一员，计算机视觉工程师需要熟练掌握多种编程语言和开发工具，如Python、C++、MATLAB、OpenCV等等，并且需要掌握数学、图像处理、机器学习、深度学习等多个领域的知识。
初级编程难度因人而异，但对于想要成为计算机视觉工程师的初学者来说，编程难度可能会比较大。对于没有编程经验的初学者来说，需要先学习编程语言的基本概念和语法，例如变量、循环、条件语句等等。然后需要学习一些常用的计算机视觉算法和工具，如图像处理、边缘检测、特征提取、目标检测等等。同时还需要学习一些数学基础知识，如线性代数、概率统计、微积分等等。
怎么自学计算机视觉？
正好近在备这门课，可以简单分享一下我的备课思路，各位有什么好的建议尽管评论，首先要表明，自学基本上是不可能的，除非你有一定的基础，否则不要考虑自学。
首先我打算明确几个容易混淆的概念：人工智能(AI)、机器学习(ML)、深度学习(DL)、计算机视觉(CV)、图像处理(IP)。其中应该强调的有两点：(1)图像处理是信号处理的范畴(图像是2D Signal)，不完全和CV相同，他们的输入都是图像，但CV的输出是一种对图像的理解，比如语义分割，而图像处理(顾名思义是处理图像的)输出的是一张图片，比如边缘检测;(2)ML/DL是方法论，CV是应用。
那既然CV是一项应用，那这门课我是打算按照应用科学的方式去讲——实验很重要，能上手做出demo很重要。
具体的课程安排打算从成像开始，即空间中的一个3D点怎么投射到相机平面。这要涉及到一些Perspective Transformation的公式推到，比较简单，初高中物理知识。
随后打算设计一些2D图像分析/理解的课程，比如从简单的边缘检测到图像分类/回归(介绍一下ResNet等经典网络和近比较火的Transformer)到目标识别/跟踪(比如介绍一下YOLO和R-CNN系列和一些常用tracking算法比如DSST)、语义分割(比如FCN、SegNet、DeepLabV3+、FuseNet等)、instance segmentation(不知道咋翻译TT)。
然后可以从2D图像分析/理解延伸到3D重建，基于“一个场景中两个不同位置拍到的照片的重叠部分可以得到其三维几何模型”。然后推导一下Essential Matrix、Fundamental Matrix、Homograph Matrix这些公式。然后分几节课讲一下特征匹配(比如ORB、BRISK等到Key.Net、LF-Net等)、光流(传统方法、监督类、无监督等)、立体视觉(同理)、场景流等(基于点云的和基于图像的)以及Structure from Motion和SLAM中一些经典算法。
