計(jì)算機(jī)視覺6天

計(jì)算機(jī)視覺
提綱
第一天，實(shí)踐環(huán)境搭建
案例
1、課程簡(jiǎn)介
2、CPU與GPU
3、Anaconda Python安裝
4、TensorFlow或TensorFlow-GPU的安裝
5、pytorch安裝
6、OpenCV環(huán)境安裝
第一天，計(jì)算機(jī)視覺基礎(chǔ)概述
案例
1、計(jì)算機(jī)視覺簡(jiǎn)介
2、數(shù)字圖像的存儲(chǔ)
3、色彩空間
4、計(jì)算機(jī)視覺任務(wù)的目標(biāo)分類
5、計(jì)算機(jī)視覺任務(wù)的難點(diǎn)
第一天，Python基本語(yǔ)法概述
案例
1、Python的基本語(yǔ)法
2、引入外部包
3、常用的數(shù)據(jù)結(jié)構(gòu)
4、定義函數(shù)
5、Python中的面向?qū)ο缶幊?br /> 6、文件讀寫
7、訪問數(shù)據(jù)庫(kù)
第一天，CV領(lǐng)域的數(shù)據(jù)預(yù)處理-基礎(chǔ)
案例
1、數(shù)據(jù)清理
2、規(guī)范化
3、無(wú)標(biāo)簽時(shí)：PCA
4、有標(biāo)簽時(shí)：Fisher線性判別
5、數(shù)據(jù)壓縮（DFT、小波變換）
第二天，CV領(lǐng)域的數(shù)據(jù)預(yù)處理-進(jìn)階
案例
1、對(duì)比度和亮度校正
2、平滑與銳化：初識(shí)卷積
3、HE、AHE與CLAHE
4、邊緣檢測(cè)與角點(diǎn)檢測(cè)
5、斑塊檢測(cè)
6、局部特征描述子
7、SIFT特征與SURF特征
8、ORB特征與HOG特征
第二天，機(jī)器學(xué)習(xí)基礎(chǔ)-決策樹
案例
熵減過程
貪心法
ID3與C4.5
決策樹剪枝
第二天，性能評(píng)價(jià)指標(biāo)
案例
精確率；
P、R與F1
ROC與AUC
對(duì)數(shù)損失
泛化性能評(píng)價(jià)：k折驗(yàn)證驗(yàn)證
第二天，機(jī)器學(xué)習(xí)基礎(chǔ)-集成學(xué)習(xí)
案例
bagging與boosting
RF（隨機(jī)森林）
GBDT
Xgboost
LightGBM
CatBoost
第三天，深度學(xué)習(xí)基礎(chǔ)-神經(jīng)網(wǎng)絡(luò)
案例
1、神經(jīng)網(wǎng)絡(luò)的生物學(xué)源頭
2、人工神經(jīng)元及感知機(jī)模型
3、前向（Feed Forward）神經(jīng)網(wǎng)絡(luò)
4、神經(jīng)網(wǎng)絡(luò)的權(quán)值
5、激勵(lì)函數(shù)：sigmoid、tanh等
6、損失函數(shù)
7、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練：梯度下降法
8、手算神經(jīng)網(wǎng)絡(luò)BP算法
9、誤差反向傳播算法詳解
第三天，機(jī)器學(xué)習(xí)進(jìn)階-支持向量機(jī)
案例
“雙螺旋”問題
基本模型與懲罰項(xiàng)
求解對(duì)偶問題
核函數(shù)：映射到高維
從二分類到多分類
第三天，深度學(xué)習(xí)基礎(chǔ)-網(wǎng)絡(luò)的演化
案例
1、深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系
2、梯度消散問題分析
3、梯度消散解決方案（ReLU）
4、過擬合問題
5、Dropout、Batch Normalization
6、Weight Decay
7、權(quán)重的初始化
8、各種梯度下降的優(yōu)化方法
第四天，圖像分類領(lǐng)域的基礎(chǔ)模型
案例
1、圖像分類概述
2、AlexNet
3、卷積層的誤差反向傳播
4、池化層的誤差反向傳播
5、VGG（5層變?yōu)?組）
6、遷移學(xué)習(xí)
8、GoogLenet和Inception模塊
9、ResNet
第四天，圖像分類領(lǐng)域的新模型
案例
1、ResNext
2、DenseNet
3、EfficientNet
第四天，二階段目標(biāo)檢測(cè)
案例
1、目標(biāo)檢測(cè)問題
2、基于級(jí)聯(lián)分類器的人臉檢測(cè)
3、支持向量機(jī)（SVM）簡(jiǎn)介
4、基于HOG+SVM的行人檢測(cè)
5、 R-CNN
6、Fast R-CNN
7、Faster R-CNN
第四天，二階段目標(biāo)檢測(cè)
案例
YOLO V1
YOLO V2
YOLO V3
YOLO V4
YOLO V5
YOLO V6、V7
第五天，圖像分割
案例
1、基于特征點(diǎn)的圖像拼接
2、圖像分割概述
3、基于灰度的圖像分割
4、graph cut
5、grab cut與GMM
6、全卷積網(wǎng)絡(luò)（FCN）
7、上采樣的三種實(shí)現(xiàn)方式
8、膨脹卷積
9、DeepLab
10、結(jié)合CRF實(shí)現(xiàn)邊界分割的精細(xì)化
第五天，循環(huán)神經(jīng)網(wǎng)絡(luò)初步
案例
1、基本的RNN
2、RNN的誤差反向傳播
3、LSTM單元
4、Bidirectional-LSTM
5、改進(jìn)的單元GRU
第五天，圖像描述
案例
圖像描述的傳統(tǒng)解決方案
Seq2Seq模型詳解
Attention機(jī)制
show attention and tell模型詳解
圖像描述的評(píng)判標(biāo)準(zhǔn)
第五天，圖像檢索
案例
1、應(yīng)用場(chǎng)景：以圖搜圖
2、基于顏色直方圖的檢索
3、基于紋理的檢索
4、基于形狀的檢索
5、KD-tree
6、基于卷積特征的編碼與檢索
7、LSH及其改進(jìn)版本
第六天，圖像生成
案例
1、AE、VAE與DAE
2、對(duì)抗生成網(wǎng)絡(luò)（GAN）
3、GAN的訓(xùn)練方式
4、DCGAN
5、WGAN
6、風(fēng)格遷移
7、styleGAN與babyGAN等
第六天，人體姿態(tài)識(shí)別
案例
人體姿態(tài)識(shí)別的應(yīng)用
早期人體姿態(tài)識(shí)別算法
DeepPose
OpenPose
AlphaPose
第六天，Transformer詳解
案例
所有你需要的僅僅是“注意力”
Transformer中的block
自注意力機(jī)制
多頭注意力
位置編碼（為什么可以拋棄RNN）
殘差結(jié)構(gòu)與Layer Normalization
解碼器的構(gòu)造
遮罩結(jié)構(gòu)
Transformer代碼詳解
第六天，Transformer的CV領(lǐng)域應(yīng)用
案例
iGPT
Vision Transformer（ViT）
BEiT
MAE令人驚奇的效果
MAE詳解
未來(lái)可期：MaskFeat、BEiT v2等

葉梓老師的其它課程