计算机可视化编程语言需要根据算法和平台来选择。传统的机器学习算法，如人脸检测使用Adaboost SVM算法实现行人检测等深度学习目标检测算法，包括基于区域建议的两阶段目标检测算法如R-CNNFastR-CNNFastR-CNN，端到端的目标检测算法如YoloSSD。
女生适合做视觉算法工程师吗？
这个与性别没有关系。纯算法的话，那只存在于学校科研机构，跑跑模型，调调参数。工业界强调应用，算法部署。工程能力是必须的，编程功底越强越好。工业部署，还是需要c/c 来部署实现，或者制备接口给开发人员调用算法。模型训练，你需要熟悉各种应用场景模型，根据业务需要，更改模型，重新训练模型，达到业务需求，你也得时常跟踪最新算法，阅读论文。
如果你只会跑个模型，你在工业界的路会是很窄的。 另外就是框架和工具，tensorflow, keras, opencv等等， 编程语言会c/c ,python必须会，这样你会走的很顺利。另外如果碰巧还会java,你可以在工业界，能够很好的玩转视觉算法岗位。前提是，你的找个有应用场景的平台，让你去实现，让你学习。
计算机视觉AI的算法有哪些，具体都有哪些特点？
计算机视觉领域一般不同的应用有着不同的算法实现，我主要研究的就是计算机视觉方面的应用，主要是在图像预处理分类目标检测等方面。1. 图像分类。图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测图像分割物体跟踪行为分析等其他高层视觉任务的基础。机器学习方面的算法有SVMAdaboost决策树以及贝叶斯分类器等深度学习方面经典的算法有AlexNetVGGGoogleNetResNet等网络。
2. 目标检测。目标检测就是在复杂场景中检测出我们需要的目标，又用传统机器学习算法实现的，也有用深度学习进行目标检测的。传统机器学习算法比如利用Adaboost进行人脸检测SVM算法实现行人检测等深度学习方面目标检测算法，既有基于区域建议的R-CNNFast R-CNNFaster R-CNN等两个阶段的目标检测算法，也有YoloSSD等端到端的目标检测算法。
3. 目标跟踪。目标跟踪，是指在特定场景跟踪某一个或多个特定感兴趣对象的过程。我之前做过目标跟踪的实验，利用的是传统的图像处理算法，比如光流法粒子滤波法卡尔曼滤波法以及KCF相关滤波算法等。深度学习算法中有DLTFCNTMD Net等网络，深度学习目标跟踪算法接触的少，不是很了解。4. 语义分割。
语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，语义的可解释性即分类类别在真实世界中是有意义的，将整个图像分成一个个像素组，然后对其进行标记和分类。传统的图像分割算法有基于阈值的分割算法基于区域的分割方法基于边缘的分割方法以及基于特定理论的分割方法等现在深度学习算法在语义分割上效果更好，比如现在最常用的全卷机神经网络算法FCN。
有很多应用，比如人脸检测识别，Adaboost算法，文本识别比如MTCNN网络和FaceNet网络，智能驾驶，医学图像处理等。，由不同的算法实现。计算机可视化编程语言需要根据算法和平台来选择。传统的图像处理多使用opencv和matlab平台，分别用C和matlab语言实现的深度学习框架多基于python API实现，可以用python语言实现，如TensorflowCaffekeras和MxNet平台。当然，Caffe也可以用c实现。
