2017年最新 《基于深度学习的计算机视觉》全套课程：视频、课件及代码

官网课程介绍：http://www.chinahadoop.cn/classroom/46/introduction

课程下载：

百度网盘

主讲老师：

张宗健悉尼科技大学 计算机视觉博士

曾任职澳大利亚联邦科学与工业研究院（CSIRO ）研究工程师，Vancl技术中心研究院图像研发工程师，研究领域为计算机视觉，具体涉及：图像场景理解、图像语言问题、深度神经网络、图像检索、Human ReID、数据分析及预测、信号模式识别等

课程简介：

1. 基本理解计算机视觉中针对图像的重要研究问题。由浅及深得讲解图像的存储、预处理、特征提取、以及学术界和工业界中的主要应用问题。

2. 重点介绍深度学习的神经网络（DNN）模型在计算机视觉领域的应用。具体涉及在计算机视觉领域如何应用卷积神经网络（CNN）、区域卷积网络（R-CNN）、全卷积网络（FCN）、长短时记忆网络（LSTM）、生成对抗网络（GAN）等解决图像应用的难点。

3. 课程将使用Python语言及深度网络框架Tensorflow进行案例实践教学。

面向人群：

1. 想入门计算机视觉的学生或从业者

2. 想学习深度学习的学生或从业者

3. 想了解和学习Tensorflow框架的学生或从业者

学习收益：

1. 循序渐进得学习计算机视觉中的一些重要研究问题

2. 学习不同深度神经网络（DNN）模型在计算机视觉的成功应用

3. 了解DNN的设计及改进思路

4. 学习深度学习框架Tensorflow的基本使用

开课时间：

2017年5月12日

课程大纲：

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

需要课程加薇心：Bainchen888