计算机视觉学习及Google的autom的NasNet

第一讲 课题介绍/Introduction

1. 主要研究问题
2. 开源库介绍（OpenCV，Caffe，Theano，Tensorflow，Torch等）
3. 应用案例：基于Python语言的OpenCV库配置

第二讲 图像数据处理/Image Data Processing

1. 空域分析及变换（Sobel，拉普拉斯，高斯，中值等）
2. 频域分析及变换（Fourier & Wavelet Transform）
3. 模板匹配，金字塔，滤波器组
4. 主成分分析/PCA，奇异值分解/SVD，聚类/Cluster
5. 应用案例：人脸检测方法——基于OpenCV库

第三讲 图像特征与描述/Image Feature & Descriptor

1. 颜色特征（RBG，HSV，Lab等）
2. 几何特征（Edge，Corner，Blob等）
3. 纹理特征（HOG，LBP，Gabor等）
4. 局部特征（SIFT，SURF，FAST等）
5. 应用案例：虚拟现实的图像拼接（Image Stitching）

第四讲 图像识别之图像分类/Image Classification

1. 卷积神经网络介绍/CNN（AlexNet, VGG, GoogLeNet, ResNet）
2. 图片分类/Image Classification
3. 场景分类/Scene Classification
4. ILSVRC（Imagenet Large Scale Visual Recognition Challenge ）竞赛之分类问题
5. 应用案例：图片分类之残差神经网络ResNet

第五讲 图像识别之图像检测/Image Detection

1. 区域卷积神经网络/R-CNN（SPPnet，Fast/Faster R-CNN，R-FCN）
2. 物体检测/object detection & localization
3. 行人检测/pedestrian detection
4. 人脸检测/face detection
5. ILSVRC竞赛之物体检测及定位问题
6. 应用案例：人脸检测的Faster R-CNN应用（快速版区域卷积神经网络）

第六讲 图像分割/Image Segmentation

1. 显著性检测/Saliency Detection
2. 物体分割/Object Segmentation（GraphCut，GrabCut等）
3. 语义分割/Semantic Segmentation（FCN，CRF/MRF）
4. PASCAL VOC竞赛介绍
5. 应用案例： 自动驾驶场景图片的语义分割——全卷积网络DeepLab

第七讲 图像描述（图说）/Image Captioning

1. 深度语言模型介绍（Vanilla-RNN，LSTM，GRU）
2. LSTM原理解析
3. 图说模型原理与结构
4. 大数据集介绍（MSCOCO，Flickr8K，Flickr30k）
5. 应用案例：图说智能(图像标注）的应用——Show and Tell

第八讲 图像问答/Image Question Answering

1. 与图像描述的区别
2. 大数据集介绍（VQA，Visual Genome）
3. 图像问答模型原理及结构
4. 模型增强：注意力机制及外部知识库
5. 应用案例：图像智能问答的应用模型堆栈注意网络Stacked Attention Networks（SANs）

第九讲 图像生成/Image Generation

1. 对抗生成网络（GAN）
2. GAN在图像生成中的应用（图片分布学习、以文生图）
3. GAN在传统问题中的应用（超分辨、语义分割）
4. 应用实例：图像复原的超分辨（SRGAN）模型应用

第十讲 图像检索/Content-based Image Retrieval

1. 检索特征（颜色，纹理，形状，局部特征，Bag of Visual Words）
2. 特征相似度
3.大数据集下的索引加速技术（KD-tree，Locality Sensitive Hash）
4. 双向检索技术（以图搜图&以文搜图）
5. 应用案例：图像检索之开源库Lire （Lucence Image Retrieval）的应用
关于

https://github.com/tensorflow/models/tree/master/research/slim/
https://arxiv.org/pdf/1707.07012.pdf

TF-slim是一种新的轻量级的 TensorFlow (tensorflow.contrib.slim) 高级 API, 用于定义、训练和评估复杂的模型。此目录包含用于训练和评估使用 TF-斯利姆的几种广泛使用的卷积神经网络 (CNN) 图像分类模型的代码。它包含的脚本将允许您从头开始训练模型, 或从预先的网络权重 fine-tune 它们。它还包含下载标准图像数据集的代码, 将它们转换为 TensorFlow 的本地 TFRecord 格式, 并使用 TF-slim的数据读取和排队实用程序读取它们。您可以轻松地在这些数据集上训练任何模型, 如下面所示。我们还包括了一个 jupyter 笔记本, 它提供了如何使用 TF 超薄进行图像分类的工作示例。对于开发或修改您自己的模型, 请参阅主 TF主页的slim条目
Nathan Silberman,github:nathansilberman
Sergio Gudarrama,github:sguada
其他的相关链接：
Installing the TF-slim image models library
关于使用TF-slim 在图像分类方面我们可以按照TF-slim image models library，这个不只是TF的代码库，使用这个也可以核对TF的储存的其他库

cd $HOME/workspace
git clone Http://github.com/tensorflow/models/
https://github.com/tensorflow/models/tree/master/research/slim/#Install

https://github.com/tensorflow/models/tree/master/research/slim/#Install