国产极品粉嫩福利姬萌白酱_伊人WWW22综合色_久久精品a一国产成人免费网站_法国啄木乌AV片在线播放

第一講 課程概述
1、計算機視覺的研究意義
2、計算機視覺的難點
3、當前研究的主要熱點問題（分類、目標檢測、實例分割、圖說等）
4、本課程的主要內容介紹
5、相關開源庫介紹（OpenCV、Tensorflow、Keras、pyTorch等）
6、應用案例：搭建tensorflow+opencv的環境

第二講 圖像預處理
1、圖像平滑與去噪（高斯濾波、中值濾波等）
2、基于直方圖的對比度增強:CLAHE
3、邊緣檢測算子（Sobel、拉普拉斯等）
4、形態學處理（腐蝕、膨脹、開閉運算等）
5、高斯金字塔與拉普拉斯金字塔
6、頻域分析及變換（卷積計算、傅里葉變換、小波變換）
7、應用案(an)例：平滑、邊緣檢測、CLAHE、FFT等

第三講 圖像特征提取
1、顏色特征（量化直方圖、聚類直方圖）
2、幾何特征（Edge、Corner、Blob等）
3、Harris角點與FAST角點
4、基于關鍵點的特征描述子（SIFT、SURF、ORB）
5、其他特征提取（LBP、Gabor）
6、應用案例：SIFT、圖像拼(pin)接等

第四講 未有深度學習之前
1、基于灰度的圖像分割（閾值分割、區域生長、分水嶺等）
2、基于圖論：graph-cut與grab-cut
3、用于人臉檢測的Haar-like特征與級聯分類器
4、用于行人檢測的HOG+SVM
5、用于行人檢測的多尺度形變部件模型（DPM）
6、應用(yong)案例：人(ren)臉識(shi)別(bie)、行人(ren)識(shi)別(bie)

第五講 神經網絡與誤差反向傳播算法
1、人工神經元及感知機模型
2、目標函數（MSE）
3、激勵函數（sigmoid、tanh）
4、誤差反向傳播算法的推導
5、應用案例：可以手算的BP神經網絡
6、深度學(xue)習與(yu)神經網(wang)絡的區別(bie)與(yu)聯系(xi)

第六講 深度學習基礎
1、深度學習中的目標函數與激勵函數
2、深度學習中的求解方法（Adagrad、RMSprop、Adam等）
3、深度學習中的技巧（dropout、BN、weights decay等）
4、應用案例：利用tensorflow實現的手寫數字識別
5、卷積神經網絡介紹
6、卷積層的誤差反向傳播
7、池化層的誤差反(fan)向傳播

第七講 圖像分類
1、競賽中的分類問題
2、CNN的發展概述
3、開山之作：AlexNet
4、5層變為5組：VGG
5、組合所有可能的模型：GoogLeNet
6、殘差網絡：ResNet
7、深與寬之外的改進方向：ResNext
6、應用案例(li)：VGG、ResNet

第八講 圖像檢索
1、檢索特征（基于顏色，紋理，形狀，局部特征）
2、特征相似度度量（EMD）
3、建立基于深度學習的檢索索引
4、知識點：遷移學習的一種實現（fine-tune）
5、索引加速：KD-tree
6、大數據條件下的索引加速：Locality Sensitive Hash
7、應用案(an)例：CBIR的應用

第九講 目標檢測（上）
1、目標檢測任務概述
2、區域卷積神經網絡：R-CNN
3、共享卷積層與多尺度：SPP-Net
4、多任務的目標函數：Fast R-CNN
5、SS改成RPN：Faster R-CNN
6、其他數據集介紹：行人檢測、人臉檢測
7、應用案例：Faster R-CNN

第十講 目標檢測（下）
1、之前方法的總結
2、ROI-wise子網繼續共享：R-FCN
3、回歸解決一切：YOLO v1
4、八大改進：YOLO v2
5、構建語義樹：YOLO 9000
6、多尺度預測：YOLO v3
7、應用案(an)例(li)：Darknet實現的YOLO

第十一講 通用場景下的圖像分割
1、語義分割
2、全卷積網絡語義分割：FCN
3、知識點：反卷積、轉置卷積與空洞（膨脹）卷積
4、DeepLab v1（含CRF）
5、DeepLab v2（多尺度）
6、DeepLab v3與v3+(多尺度級聯)
7、PASCAL VOC、MS COCO、Cityscapes等數據集介紹
8、應用(yong)案例：DeepLab、denseCRF

第十二講 醫療影像分割
1、醫學影像分析任務概述與數據集
2、U-Net
3、3D U-NET與V-Net
4、FC-DenseNet
5、病理切片分析任務概述與數據集
6、病理切片分析的實現
7、應用案例：利用U-Net實現(xian)的器官分割(ge)

第十三講 圖像描述（圖說）
1、深度學習的語言模型（RNN）
2、知識點介紹；LSTM與GRU
3、圖說模型原理與結構
4、模型增強：注意力機制
5、圖說效果的評判標準
6、數據集介紹（MS COCO， Flickr等）
7、應用(yong)案例：RNN簡單示例，圖像(xiang)描述：show and Tell

第十四講 圖像生成
1、變分自編碼器（VAE）
2、生成對抗網絡（GAN）
3、知識點：KL散度與JS散度
4、改進的GAN：DCGAN
5、從根本上解決訓練的困難：Wasserstein GAN
6、超分辨率問題：SRGAN
7、應用案例(li)：GAN與DCGAN等