计算机视觉(含姿态识别疫情防控案例)-2天

计算机视觉

【课程简介】

本课程包含计算机视觉领域的的重要概念及常用算法（神经网络、支持向量机、CNN、GAN等），以及人工智能领域热点应用场景：目标检测、图像分割、图像生成等。通过2天的系统学习、案例讲解和动手实践，让学员能初步迈入深度学习和计算视觉的知识殿堂。

【课程收益】

掌握基于python的视觉分析知识；

掌握深度学习框架：TensorFlow、pytorch等；

掌握CV领域的深度学习算法；

理解CV领域（目标检测、图像分割、图像生成等）应用场景；

为学员的后续项目应用提供针对性的建议。

【课程特点】

本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的计算机视觉理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。

【课程对象】

理工科本科以上，或至少了解一种编程语言。

【课程时长】

2天（6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

深度学习基础

经典神经网络

支持向量机

集成学习

BP神经网络

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

支持向量机

“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

集成学习

bagging与boosting

RF

GBDT

Xgboost

案例实践：

手算神经网络BP算法

只用numpy，手推BPNN

SVM实现人脸识别应用

各种梯度下降方法的实战效果

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

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

避免过适应

图像分类CNN

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：

各梯度下降方法的可视化实践

一个识别手写数字的过渡模型

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

Day2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

目标检测项目介绍

R-CNN

SPPNET（全图卷积、SPP层）

Fast-RCNN（ROI池化、多任务）

Faster-RCNN（RPN）

一阶段目标检测

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

DeepSOCIAL：用于疫情防控的目标检测

搭建YOLOv5环境

Day2下午

深度学习进阶

图像分割

人体姿态识别与GAN

图像分割

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

人体姿态识别概述

deeppose

OpenPose

AlphaPose

GAN

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：

遥感影像分割

alphapose的演示

计算机想象的数字

babyGAN：特朗普的孩子

Thispersondoesnotexist