计算机视觉的前景怎么样？
大有可为，行业目前成就仅是冰山一角。
有些朋友认为CV进入瓶颈期的，可能是一些计算机视觉的经典问题，论文化，学术化的，如物体识别和检测（人脸，行人，物体，场景etc）．但是如果能死磕这些经典问题，往往能带来质的突破，比如说对于ImageNet物体识别GoogLeNet之后，大部分人应该都不会想到还有ResNet出现先说结论：由于近几年深度学习的发展，计算机视觉应用的前景广阔。而且越来越多的应用场景被挖掘出来。比如视频自动识别，在公安中应用，遥感影像自动提取在国土智能监管中应用。
其实我举这个例子，就是想说明一点，计算机视觉的应用非常多，远没达到饱和的地步，算法在提高的同时，更具挑战性的应用也会被提出来，这是相辅相成的。人脸，车牌/车型以及物体分类跟踪是当前比较受关注的应用，包括很多明星企业，也主要是做这个领域，但其实这只是一小部分而已。还有其他更有价值的领域，比如产品缺陷检测，雷达图像分析，医学图像分析（比如癌细胞早期筛查）等等，太多了就不展开细讲了。即便是大家耳熟能详的人脸识别，其实也有很多细分领域的应用等着去挖掘。以下是第二届数字中会的竞赛题目，AI识别钢筋数量，说明什么?cV不断与业务融合，在某个业务痛点上发挥无可替代作用。
现在计算机视觉使用什么语言开发？
c、java、python都有，主流的opencv或者深度学习框架都支持上述语言的。但在实际产品落地时，如果与相关硬件对接的话，主流的摄像机等厂家提供的sdk或者api，主流还是c、或者是网络api
学习计算机视觉需要哪些知识储备？
学习计算机视觉需要具备的知识储备有：
1、图像处理的知识。图像处理大致包括的内容：光学成像基础、颜色、滤波器、局部图像特征、图像纹理、图像配等。
2、立体视觉的知识。立体视觉大致包括的内容：相机几何模型、双目视觉、从运动中恢复物体结构、三维重建技术等。
3、人工智能的知识。人工智能大致包括的内容：场景理解与分析、模式识别、图像搜索、数据挖掘、深度学习等。
4、与计算机视觉相关的学科还有：机器视觉、数字图像处理、医学成像、摄影测量、传感器等。
学习“深度学习”的课程，需要有哪些技术基础？
“深度学习”的课程，需要有哪些技术基础？深度学习，首先要学会给自己定定目标（大、小、长、短），这样学习会有一个方向；然后要学会梳理自身学习情况，以课本为基础，结合自己做的笔记、掌握的薄弱环节、存在的问题等，合理的分配时间，有针对性、具体的去一点一点的去攻克、落实。
需要具备哪些基础才可以如果未来要走深度学习方向的话，其实本科数学系的课程基本上够用了，如果不够的话，查缺补漏地看一些资料和书籍就可以了。不需要再去读一个数学系的研究生学位。
推荐《DeepLearning》这本书。作者是Ian、YoshuaBengio和Aaron三位大牛。这本书的中文版于2017年7月22号上市。该书由众多译者协力完成。《深度学习》这本书从浅入深介绍了基础数学知识、机器学习经验以及现阶段深度学习的理论和发展，不管是人工智能技术爱好者，还是相关从业人员使用这本书都是非常有好处的。另外，读者如果想熟悉一些数学知识，本书也做了一些介绍，包括矩阵，导数等基本内容。读者可以从头读到尾。
《深度学习》这本书的一大特点是介绍深度学习算法的本质，脱离具体代码实现给出算法背后的逻辑，不写代码的人也完全可以看。为了方便读者阅读，作者特别绘制了本书的内容组织结构图，指出了全书20章内容之间的相关关系。读者可以根据自己的背景或需要，随意挑选阅读。
全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。