计算机视觉(含姿态识别)-3天

计算机视觉

【课程时长】

3天（7小时/天）

【课程对象】

理工科本科及以上，且至少了解一门编程语言。

【课程大纲】（培训内容可根据客户需求调整）

时间

内容

案例实践与练习

Day1上午

准备工作

准备工作

决策树

准备工作（1）

概念与术语

Python（Anaconda）的安装

Pycharm的安装与使用

Jupyter Notebook的安装与使用

Tensorflow与pytorch的安装

Opencv、Sklearn工具包的运用

Python开发简介（2）

Python的基本语法

引入外部包

常用的数据结构

定义函数

Python中的面向对象编程

文件读写

决策树（3）

分类和预测

熵减过程

贪心法

ID3与C4.5

其他改进方法

决策树剪枝

案例实践：

Anaconda安装

Pip install的技巧

Tensorflow-GPU的安装

pytorch的安装

Jupyter Notebook的使用

Opencv的基本例子

Day1下午

基础模型

聚类

BP神经网络

性能评价指标

聚类（4）

监督学习与无监督学习

K-means

k-medoids

判断最优聚类个数的调参方法

基于层次、密度、网格的方法

BP神经网络 （5）

人工神经元及感知机模型

Sigmoid激活函数

前向神经网络的架构

梯度下降

误差反向传播详解

性能评价指标（6）

精确率；

P、R与F1

ROC与AUC

对数损失

泛化性能评价：k折验证验证

案例实践：

验证一下：聚类算法是不稳定的

手肘法分析NBA球队的最佳聚类个数

各种聚类方式的图形化展示

皮马印第安人糖尿病风险：验证多种模型

绘制ROC并计算AUC

手算神经网络BP算法

只用numpy，手推BPNN

Day2上午

深度学习基础

支持向量机

集成学习

支持向量机 （1）

“双螺旋”问题

基本模型与惩罚项

求解对偶问题

核函数：映射到高维

从二分类到多分类

用于连续值预测的支持向量机

集成学习（2）

bagging与boosting

RF

GBDT

Xgboost

最新的模型

案例实践：

SVM实现人脸识别应用

通过深度BP网络实现手写数字的识别

各种梯度下降方法的实战效果

Batch normalization的实战效果

Day2下午

深度学习

深度学习基础知识

图像分类CNN

深度学习基础知识（3）

连接主义的兴衰

深度学习与神经网络的区别与联系

目标函数与激励函数

学习步长

权重初始化

权重衰减（Weight Decay）

梯度下降的方法：Adagrad \ RMSprop \ Adam

避免过适应

图像分类CNN（4）

图像分类概述

AlexNet

ZF-Net

卷积层的误差反向传播

池化层的误差反向传播

VGG（5层变为5组）

迁移学习

GoogLenet和Inception模块

模型退化与ResNet

DenseNet（充分利用特征）

最新的efficientnet

案例实践：

VGG各层的可视化展现

迁移学习：识别猫和狗

Resnet用于图像分类

Day3上午

目标检测

二阶段目标检测与一阶段目标检测

二阶段目标检测（1）

目标检测项目介绍

R-CNN

SPPNET（全图卷积、SPP层）

Fast-RCNN（多任务）

Faster-RCNN（RPN）

一阶段目标检测（2）

YOLO-v1（一切都是回归）

YOLO -v2（9000）

YOLO -v3（多尺度）

YOLO -v4

YOLO -v5

案例实践：

基于Faster-RCNN的通用目标检测示例

基于YOLO v3的通用目标快速检测示例

Day3下午

深度学习进阶

图像分割

人体姿态识别与GAN

图像分割（3）

全卷积网络（FCN）

上采样的三种实现方式

膨胀卷积

CRF

DeepLab V1~V3

人体姿态识别（4）

早期人体姿态识别

AlphaPose

OpenPose

RMPE

GAN（5）

生成对抗网络（GAN）

KL散度与JS散度

改进的GAN：DCGAN

加上约束：infoGAN

根本上解决：Wasserstein GAN

案例实践：

DeepSOCIAL

RMPE的演示