原标题:计算机视觉:从入门到精通,极限剖析图像识别学习算法
· 目的:掌握神经网络的基本原理,知其然亦知其所以然(从数学实践到代码的熟练和精通);
· 手段:科学的方法。理论到实践的剖析;
· 成果:掌握计算机视觉的基本方法,从容地应对实践中面临的挑战。
阶段1 图像预处理
第一课:OpenCV 及图像处理基础
知识点:图像处理,灰度值提取,Histogram提取
第二课:OpenCV进阶:图像滤波,特征提取及匹配
知识点:Sift,视觉和图像变换, 边缘检测算法等
第四课:深入理解神经网络的前向传递和反向传播及其物理意义
知识点:Loss function,交叉熵代价函数,梯度下降法求导
第五课:训练你自己的网络,重点为调参和工作中用到的一些技巧
知识点:Loss function,交叉熵代价函数,梯度下降法
知识点:数据输入层,卷积计算层,激励层(Sigmoid,Tanh,ReLu,ELU),池化层,全联接层,Batch Normalization, 学习率
系列3. 深度卷积神经网络进阶
第八课:不同的神经网络类别和应用
知识点:调参基本技巧,向量点积
第九课:深度卷积神经网络原理及实践
知识点,神经网络的迁移学习技巧
第十课:搭建图片搜索系统,深入理解Triplet Loss 及其训练技巧
第十一课:实践:使用Tensorflow/Keras搭建神经网络,进行图像分类
阶段4: 目标检测和LSTM标注法
第十二课:目标检测算法
知识点:Fast RCNN , Faster RCNN, Yolo, SSD
第十三课:LSTM 标注学习
第十四课:实践:使用Tensorflow/Keras在数据集上进行目标检测
本期课程将于5月5日开始。课程持续时间大约为16周。
Daniel,2011年毕业于香港科技大学,师从信号处理的普林斯顿教授Oscar Chan,后旅法。在法国工作多年从事计算机视觉相关工作,现在在ENSTA-ParisTech任计算机视觉算法研究员。我现在也在负责招聘业务,亦愿意和学员共同交流海外工作经验和计算机视觉算法方面的工作机会。返回搜狐,查看更多
责任编辑: