计算机视觉

第一阶段 计算机视觉技术基石

第1课：图像处理基础

• 知识点1：图像空间坐标系
• 知识点2：OpenCV-计算机视觉技术的工具箱
• 知识点3：使用OpenCV对图像进行各类处理（卷积，边缘检测，形态学操作）和变换

第2课：图像处理进阶

• 知识点1：图像的卷积操作
• 知识点2：边缘检测算法：Canny算子、Sobel算子和拉普拉斯变换
• 知识点3：直线检测-霍夫变换
• 知识点4：图像的形态学操作-膨胀和腐蚀
• 实战项目：综合使用图像处理方法进行车牌定位识别

第二阶段 CV领域的瑞士军刀：深度学习

第3课：神经网络初步与调参技巧 （ by Seven)

• 知识点1：线性分类器的基本框架；
• 知识点2：深度理解向量点积的物理意义；
• 知识点3：神经网络的前向传递和反向传播；
• 知识点4：深入理解反向传播——数学推导和物理意义；
• 实战项目：使用TensorFlow/Keras快速搭建神经网络进行图像分类

第4课：深度卷积神经网络原理与实践 (by Seven)

• 知识点1：理解卷积操作的本质及其物理意义；
• 知识点2：重新认识感受野及其计算方式；
• 知识点3：多种多样的深度卷积神经网络结构
• 知识点4：神经网络中的迁移学习技巧；
• 实战项目：百行代码实现Kaggle图像分类竞赛Top-5%

第5课: 图像搜索技术 (by Seven)

• 知识点1：基于无监督深度学习的图像搜索技术-Autoencoder；
• 知识点2：基于有监督深度学习的图像搜索技术-ConvNets；
• 知识点3：应用ConvNets作图像搜索任务的实践经验；
• 知识点4：理解深度排序技术；
• 实战项目：使用Autoencoder和ConvNets构建图像搜索系统

第6课：大规模车辆图片搜索/重识别 (by Seven)

• 知识点1：深入理解Triplet Loss及其训练技巧
• 知识点2：基于多任务的深度学习技术
• 知识点3：融合多任务和Triplet Loss
• 实战项目：使用TensorFlow/Keras由浅入深搭建规模车辆图片搜索系统

第三阶段 CV的重点攻坚：目标检测、语义分割

第7课：目标检测及其在无人驾驶领域的作用

• 知识点1：目标检测的任务、Benchmark以及评价指标
• 知识点2：2-Stage模型：R-CNN、Fast R-CNN、Faster R-CNN
• 知识点3：1-Stage模型：YOLO系列和SSD
• 知识点4：初步了解无人驾驶中的视觉问题（以KITTI数据库为例）
• 实战项目：使用TensorFlow/PyTorch在COCO数据集上进行目标检测

第8课：深度学习在图像语义分割中的应用

• 知识点1：全卷积网络FCN
• 知识点2：基于Encoder-Decoder思想的U-Net系列方法
• 知识点3：空洞卷积和Deep Lab系列
• 实战项目：使用TensorFlow在CoCo数据集上进行语义分割

第四阶段 CV的技术前沿：RNN与GAN

第9课：RNN及其应用（image captioning and VQA）

• 知识点1：RNN介绍
• 知识点2：LSTM介绍和背后的梯度解释
• 知识点3：基于RNN的图像解释和图像问答任务
• 实战项目：使用Keras/PyTorch 搭建一个图像解释模型并分析成功与失败的原因

第10课：深度学习前沿：理解AlphaGo （强化学习） 和生成模型（GAN）背后的原理

• 知识点1：深度强化学习原理
• 知识点2：对抗生成模型原理及各种变法（Basic GAN, DC-GAN, W-GAN, 等）
• 知识点3：基于GAN网络的风格迁移学习
• 实战项目：手把手教你如何使用TensorFlow/PyTorch实现GAN 和 强化模型