隨報隨學 | 共14課 | ★★★ |
開課時間 | 課程周期 | 難易度 |
如何做好計算機視覺的研究工作,迎接更廣闊的未來職業發展,能夠上手應用,編寫屬于自己的神經網絡和計算機視覺應用?本次課程將圍繞著計算機視覺中最常見的RCNN圖像識別算法進行極限剖析,從數學理論, 模型框架到實踐實操,讓你在短時間內從理論到實踐,掌握深度學習的基本知識和學習方法。
· 目的:掌握神經網絡的基本原理,知其然亦知其所以然(從數學實踐到代碼的熟練和精通);
· 手段:科學的方法。理論到實踐的剖析;
· 成果:掌握計算機視覺的基本方法,從容地應對實踐中面臨的挑戰。
階段1 圖像預處理
第一課:OpenCV 及圖像處理基礎
知識點:圖像處理,灰度值提取,Histogram提取
第二課:OpenCV進階:圖像濾波,特征提取及匹配
知識點:Sift,視覺和圖像變換, 邊緣檢測算法等
第三課:實踐:利用KNN算法和OpenCV進行手寫字符識別
階段2: 創建自己的圖像識別神經網絡
第四課:深入理解神經網絡的前向傳遞和反向傳播及其物理意義
知識點:Loss function,交叉熵代價函數,梯度下降法求導
第五課:訓練你自己的網絡,重點為調參和工作中用到的一些技巧
知識點:Loss function,交叉熵代價函數,梯度下降法
第六課:卷積神經網絡(RNN)在圖像分類識別中的應用(附python編程和算法解析)
知識點:數據輸入層,卷積計算層,激勵層(Sigmoid,Tanh,ReLu,ELU),池化層,全聯接層,Batch Normalization, 學習率
第七課:實踐,不使用任何工具包,訓練一個屬于你自己的神經網絡進行手寫字符識別
系列3. 深度卷積神經網絡進階
第八課:不同的神經網絡類別和應用
知識點:調參基本技巧,向量點積
第九課:深度卷積神經網絡原理及實踐
知識點,神經網絡的遷移學習技巧
第十課:搭建圖片搜索系統,深入理解Triplet Loss 及其訓練技巧
第十一課:實踐:使用Tensorflow/Keras搭建神經網絡,進行圖像分類
階段4: 目標檢測和LSTM標注法
第十二課: 目標檢測算法
知識點:Fast RCNN , Faster RCNN, Yolo, SSD
第十三課:LSTM 標注學習
第十四課:實踐:使用Tensorflow/Keras在數據集上進行目標檢測
CV愛好者,大學生,技術從業人員,轉型CV人員
1、 學習方式:老師發布教學資料、教材,幻燈片和視頻,學員通過網絡下載學習。同時通過論壇互動中老師對學員進行指導及學員之間相互交流。
2、 學習作業:每課均有布置課后作業,學員完成書面作業后則可進入下一課學習。
3、 老師輔導:通過論壇站內信及郵件等多種方式與老師進行一對一互動。
4、 完成課程:最后一課作業交納后,老師完成作業批改,即可完成課程并取回相應剩余的逆向學費。
GMT+8, 2020-12-24 04:38 , Processed in 0.143686 second(s), 36 queries .
關于我們 | 新手指南 | 企業合作 | 聯系我們 |
|
||||
關于我們 | 教育模式 | 企業會員 | 電話:4008-010-006 | |||||
講師招募 | 選課流程 | 內訓合作 | 郵箱:kefu@dataguru.cn | |||||
校園大使 | 學費返還 | 媒體合作 | 客服QQ: |
|||||
版權聲明 | 獎學金激勵 | 代理合作 | 售后QQ: |