電腦視覺與深度學習馬拉松 - Cupoy

電腦視覺與深度學習馬拉松

本活動發起目的為幫助 AI 學習者能以更高效率學習電腦視覺x深度學習技術。因此我們匯集了該領域的資料科學家與專業的機器學習工程師，彼此分享與優化最佳的學習路徑，幫你高效地掌關鍵知識。本活動課程規劃的核

• 1. 基礎影像處理

  學習影像處理基礎，並熟悉 OpenCV 寫作方式以及如何前處理

  • OpenCV 簡介 + 顯示圖片

    入門電腦視覺領域的重要套件: OpenCV

  • Color presentation 介紹 (RGB, LAB, HSV)

    淺談圖片不同的表示方式

  • 顏色相關的預處理 (改變亮度, 色差)

    透過圖片不同的表示方式實作修圖效果

  • 以圖片為例做矩陣操作 (翻轉, 縮放, 平移)

    淺談基礎的幾合變換: 翻轉 / 縮放 / 平移

  • 透過 OpenCV 做圖並顯示 (長方形, 圓形, 直線, 填色)

    實作 OpenCV 的小畫家功能

  • Affine transformation 概念與實作

    仿射轉換的入門與實作: affine transform

  • Perspective transformation 概念與實作

    視角轉換的入門與實作: perspective transform

  • Filter 操作 (Sobel edge detect, Gaussian Blur)

    初探邊緣檢測與模糊圖片操作: 了解 filter 的運用

  • SIFT 介紹與實作 (feature extractor)

    SIFT: 介紹與實作經典的傳統特徵

  • SIFT 其他應用 (keypoint matching)

    SIFT 案例分享: 特徵配對

• 2. 電腦視覺深度學習基礎

  打好卷積神經網路的概念，並了解 CNN 各種代表性的經典模型

  • CNN分類器架構：卷積層

    卷積是CNN的核心，了解卷積如何運行 就能幫助我們理解CNN的原理

  • CNN分類器架構：步長、填充

    填充與步長是CNN中常見的超參數， 了解如何設置能幫助我們架構一個CNN Model

  • CNN分類器架構：池化層、全連接層

    池化層時常出現於CNN結構中，而FC層則會接在模型輸出端， 了解如兩者用途能幫助我們架構一個CNN Model

  • CNN分類器架構：Batch Normalization

    Batch Normalization出現在各種架構中， 了解BN層能解決怎樣的問題是我們本章的重點

  • 訓練一個CNN分類器：Cifar10為例

    綜合上述CNN基本觀念， 我們如何結合這些觀念打造一個CNN 模型

  • 如何使用Data Augmentation

    訓練模型時常常會遇到資料不足的時候，適當的使用Image Augmentation能提升模型的泛化性

  • 深度學習理論與實作：Classic CNN Backbone

    綜合之前所學的CNN觀念，認識第一個引領影像研究方向朝向深度學習的模型

  • InceptionV1-V3

    Inception module提供大家不同於以往的思考方式，將模型的參數量減少，效能卻提升了許多

  • ResNetV1-V2、InceptionV4、Inception-ResNet

    首次超越人類分類正確率的模型，Residual module也影響了後來許多的模型架構

  • Transfer learning

    學習如何利用前人的知識輔助自己訓練與跨領域學習的方法

  • Breaking Captchas with a CNN

    了解如何使用CNN+CTC判定不定長度字串

• 3. CNN 應用案例學習

  學習目前最常使用的 CNN 應用案例：YOLO 物件偵測實務完全上手

  • Object detection原理

    了解Object Detection出現的目的與基本設計原理

  • Object detection基本介紹、演進

    了解Object Detection一路發展下來，是如何演進與進步

  • Region Proposal、IOU概念

    IOU是貫穿Object Detection的一個重要觀念，了解如何計算IOU對了解Object Detection中許多重要步驟會很有幫助

  • RPN架構介紹

    RPN是Faster RCNN成功加速的關鍵，了解RPN便能深入認識Faster RCNN

  • Bounding Box Regression原理

    所有的Object Detection模型都需要做Bounding Box的Regression，了解其是如何運作的能幫助我們更認識Object Detection

  • Non-Maximum Suppression (NMS)原理

    所有的Object Detection模型都有Non Maximum Suppression的操作，了解其是如何運作的能幫助我們更認識Object Detection

  • 程式導讀、實作

    了解如何搭建一個SSD模型

  • YOLO 簡介及算法理解

    了解 YOLO 的基本原理

  • YOLO 細節理解 - 網路輸出的後處理

    理解網路輸出的後處理，執行nms的過程

  • YOLO 細節理解 - 損失函數

    認識YOLO損失函數設計架構與定義

  • YOLO 細節理解 - 損失函數程式碼解讀

    講解YOLO損失函數程式碼

  • YOLO 細節理解 - 網路架構

    了解YOLO網絡架構的設計與原理

  • YOLO 細節理解 - 網路架構程式碼解讀

    講解YOLO網絡架構程式碼

  • YOLO 演進

    簡單了解 YOLO 的演進

  • 使用 YOLOv3 偵測圖片及影片中的物件

    了解如何基於現有的 YOLOv3 程式碼客制化自己的需求

  • 更快的檢測模型 - tiny YOLOv3

    了解如何使用 tiny YOLOv3 來滿足對檢測速度的需求

  • 訓練 YOLOv3

    了解如何訓練 YOLOv3 檢測模型

• 4. 電腦視覺深度學習實戰

  人臉關鍵點檢測及其應用

  • 人臉關鍵點-資料結構簡介

    探索 kaggle 臉部關鍵點資料

  • 人臉關鍵點-檢測網路架構

    學習用 keras 定義人臉關鍵點檢測的網路架構

  • 訓練人臉關鍵點檢測網路

    體會訓練人臉關鍵點檢測網路的過程

  • 人臉關鍵點應用

    體驗人臉關鍵點的應用 - 人臉濾鏡

  • Mobilenet

    輕量化模型簡介 (MobileNet)

  • Ｍobilenetv2

    MobileNet v2 簡介

  • Tensorflow Object Detection API

    Tensorflow Object Detection API使用方式

• 5. 期末專題

  由您親手實作期末專題，驗收學習成效，陪跑專家提供專題解說，解決各種實作疑難雜症

  • 期末專題

    應用所學知識，挑戰電腦視覺深度學習期末專題

• 1. 基礎影像處理

  學習影像處理基礎，並熟悉 OpenCV 寫作方式以及如何前處理

  • OpenCV 簡介 + 顯示圖片

    入門電腦視覺領域的重要套件: OpenCV

  • Color presentation 介紹 (RGB, LAB, HSV)

    淺談圖片不同的表示方式

  • 顏色相關的預處理 (改變亮度, 色差)

    透過圖片不同的表示方式實作修圖效果

  • 以圖片為例做矩陣操作 (翻轉, 縮放, 平移)

    淺談基礎的幾合變換: 翻轉 / 縮放 / 平移

  • 透過 OpenCV 做圖並顯示 (長方形, 圓形, 直線, 填色)

    實作 OpenCV 的小畫家功能

  • Affine transformation 概念與實作

    仿射轉換的入門與實作: affine transform

  • Perspective transformation 概念與實作

    視角轉換的入門與實作: perspective transform

  • Filter 操作 (Sobel edge detect, Gaussian Blur)

    初探邊緣檢測與模糊圖片操作: 了解 filter 的運用

  • SIFT 介紹與實作 (feature extractor)

    SIFT: 介紹與實作經典的傳統特徵

  • SIFT 其他應用 (keypoint matching)

    SIFT 案例分享: 特徵配對

• 2. 電腦視覺深度學習基礎

  打好卷積神經網路的概念，並了解 CNN 各種代表性的經典模型

  • CNN分類器架構：卷積層

    卷積是CNN的核心，了解卷積如何運行 就能幫助我們理解CNN的原理

  • CNN分類器架構：步長、填充

    填充與步長是CNN中常見的超參數， 了解如何設置能幫助我們架構一個CNN Model

  • CNN分類器架構：池化層、全連接層

    池化層時常出現於CNN結構中，而FC層則會接在模型輸出端， 了解如兩者用途能幫助我們架構一個CNN Model

  • CNN分類器架構：Batch Normalization

    Batch Normalization出現在各種架構中， 了解BN層能解決怎樣的問題是我們本章的重點

  • 訓練一個CNN分類器：Cifar10為例

    綜合上述CNN基本觀念， 我們如何結合這些觀念打造一個CNN 模型

  • 如何使用Data Augmentation

    訓練模型時常常會遇到資料不足的時候，適當的使用Image Augmentation能提升模型的泛化性

  • 深度學習理論與實作：Classic CNN Backbone

    綜合之前所學的CNN觀念，認識第一個引領影像研究方向朝向深度學習的模型

  • InceptionV1-V3

    Inception module提供大家不同於以往的思考方式，將模型的參數量減少，效能卻提升了許多

  • ResNetV1-V2、InceptionV4、Inception-ResNet

    首次超越人類分類正確率的模型，Residual module也影響了後來許多的模型架構

  • Transfer learning

    學習如何利用前人的知識輔助自己訓練與跨領域學習的方法

  • Breaking Captchas with a CNN

    了解如何使用CNN+CTC判定不定長度字串

• 3. CNN 應用案例學習

  學習目前最常使用的 CNN 應用案例：YOLO 物件偵測實務完全上手

  • Object detection原理

    了解Object Detection出現的目的與基本設計原理

  • Object detection基本介紹、演進

    了解Object Detection一路發展下來，是如何演進與進步

  • Region Proposal、IOU概念

    IOU是貫穿Object Detection的一個重要觀念，了解如何計算IOU對了解Object Detection中許多重要步驟會很有幫助

  • RPN架構介紹

    RPN是Faster RCNN成功加速的關鍵，了解RPN便能深入認識Faster RCNN

  • Bounding Box Regression原理

    所有的Object Detection模型都需要做Bounding Box的Regression，了解其是如何運作的能幫助我們更認識Object Detection

  • Non-Maximum Suppression (NMS)原理

    所有的Object Detection模型都有Non Maximum Suppression的操作，了解其是如何運作的能幫助我們更認識Object Detection

  • 程式導讀、實作

    了解如何搭建一個SSD模型

  • YOLO 簡介及算法理解

    了解 YOLO 的基本原理

  • YOLO 細節理解 - 網路輸出的後處理

    理解網路輸出的後處理，執行nms的過程

  • YOLO 細節理解 - 損失函數

    認識YOLO損失函數設計架構與定義

  • YOLO 細節理解 - 損失函數程式碼解讀

    講解YOLO損失函數程式碼

  • YOLO 細節理解 - 網路架構

    了解YOLO網絡架構的設計與原理

  • YOLO 細節理解 - 網路架構程式碼解讀

    講解YOLO網絡架構程式碼

  • YOLO 演進

    簡單了解 YOLO 的演進

  • 使用 YOLOv3 偵測圖片及影片中的物件

    了解如何基於現有的 YOLOv3 程式碼客制化自己的需求

  • 更快的檢測模型 - tiny YOLOv3

    了解如何使用 tiny YOLOv3 來滿足對檢測速度的需求

  • 訓練 YOLOv3

    了解如何訓練 YOLOv3 檢測模型

• 4. 電腦視覺深度學習實戰

  人臉關鍵點檢測及其應用

  • 人臉關鍵點-資料結構簡介

    探索 kaggle 臉部關鍵點資料

  • 人臉關鍵點-檢測網路架構

    學習用 keras 定義人臉關鍵點檢測的網路架構

  • 訓練人臉關鍵點檢測網路

    體會訓練人臉關鍵點檢測網路的過程

  • 人臉關鍵點應用

    體驗人臉關鍵點的應用 - 人臉濾鏡

  • Mobilenet

    輕量化模型簡介 (MobileNet)

  • Ｍobilenetv2

    MobileNet v2 簡介

  • Tensorflow Object Detection API

    Tensorflow Object Detection API使用方式

• 5. 期末專題

  由您親手實作期末專題，驗收學習成效，陪跑專家提供專題解說，解決各種實作疑難雜症

  • 期末專題

    應用所學知識，挑戰電腦視覺深度學習期末專題

• 1. 基礎影像處理

  學習影像處理基礎，並熟悉 OpenCV 寫作方式以及如何前處理

  • OpenCV 簡介 + 顯示圖片

    入門電腦視覺領域的重要套件: OpenCV

  • Color presentation 介紹 (RGB, LAB, HSV)

    淺談圖片不同的表示方式

  • 顏色相關的預處理 (改變亮度, 色差)

    透過圖片不同的表示方式實作修圖效果

  • 以圖片為例做矩陣操作 (翻轉, 縮放, 平移)

    淺談基礎的幾合變換: 翻轉 / 縮放 / 平移

  • 透過 OpenCV 做圖並顯示 (長方形, 圓形, 直線, 填色)

    實作 OpenCV 的小畫家功能

  • Affine transformation 概念與實作

    仿射轉換的入門與實作: affine transform

  • Perspective transformation 概念與實作

    視角轉換的入門與實作: perspective transform

  • Filter 操作 (Sobel edge detect, Gaussian Blur)

    初探邊緣檢測與模糊圖片操作: 了解 filter 的運用

  • SIFT 介紹與實作 (feature extractor)

    SIFT: 介紹與實作經典的傳統特徵

  • SIFT 其他應用 (keypoint matching)

    SIFT 案例分享: 特徵配對

• 2. 電腦視覺深度學習基礎

  打好卷積神經網路的概念，並了解 CNN 各種代表性的經典模型

  • CNN分類器架構：卷積層

    卷積是CNN的核心，了解卷積如何運行 就能幫助我們理解CNN的原理

  • CNN分類器架構：步長、填充

    填充與步長是CNN中常見的超參數， 了解如何設置能幫助我們架構一個CNN Model

  • CNN分類器架構：池化層、全連接層

    池化層時常出現於CNN結構中，而FC層則會接在模型輸出端， 了解如兩者用途能幫助我們架構一個CNN Model

  • CNN分類器架構：Batch Normalization

    Batch Normalization出現在各種架構中， 了解BN層能解決怎樣的問題是我們本章的重點

  • 訓練一個CNN分類器：Cifar10為例

    綜合上述CNN基本觀念， 我們如何結合這些觀念打造一個CNN 模型

  • 如何使用Data Augmentation

    訓練模型時常常會遇到資料不足的時候，適當的使用Image Augmentation能提升模型的泛化性

  • 深度學習理論與實作：Classic CNN Backbone

    綜合之前所學的CNN觀念，認識第一個引領影像研究方向朝向深度學習的模型

  • InceptionV1-V3

    Inception module提供大家不同於以往的思考方式，將模型的參數量減少，效能卻提升了許多

  • ResNetV1-V2、InceptionV4、Inception-ResNet

    首次超越人類分類正確率的模型，Residual module也影響了後來許多的模型架構

  • Transfer learning

    學習如何利用前人的知識輔助自己訓練與跨領域學習的方法

  • Breaking Captchas with a CNN

    了解如何使用CNN+CTC判定不定長度字串

• 3. CNN 應用案例學習

  學習目前最常使用的 CNN 應用案例：YOLO 物件偵測實務完全上手

  • Object detection原理

    了解Object Detection出現的目的與基本設計原理

  • Object detection基本介紹、演進

    了解Object Detection一路發展下來，是如何演進與進步

  • Region Proposal、IOU概念

    IOU是貫穿Object Detection的一個重要觀念，了解如何計算IOU對了解Object Detection中許多重要步驟會很有幫助

  • RPN架構介紹

    RPN是Faster RCNN成功加速的關鍵，了解RPN便能深入認識Faster RCNN

  • Bounding Box Regression原理

    所有的Object Detection模型都需要做Bounding Box的Regression，了解其是如何運作的能幫助我們更認識Object Detection

  • Non-Maximum Suppression (NMS)原理

    所有的Object Detection模型都有Non Maximum Suppression的操作，了解其是如何運作的能幫助我們更認識Object Detection

  • 程式導讀、實作

    了解如何搭建一個SSD模型

  • YOLO 簡介及算法理解

    了解 YOLO 的基本原理

  • YOLO 細節理解 - 網路輸出的後處理

    理解網路輸出的後處理，執行nms的過程

  • YOLO 細節理解 - 損失函數

    認識YOLO損失函數設計架構與定義

  • YOLO 細節理解 - 損失函數程式碼解讀

    講解YOLO損失函數程式碼

  • YOLO 細節理解 - 網路架構

    了解YOLO網絡架構的設計與原理

  • YOLO 細節理解 - 網路架構程式碼解讀

    講解YOLO網絡架構程式碼

  • YOLO 演進

    簡單了解 YOLO 的演進

  • 使用 YOLOv3 偵測圖片及影片中的物件

    了解如何基於現有的 YOLOv3 程式碼客制化自己的需求

  • 更快的檢測模型 - tiny YOLOv3

    了解如何使用 tiny YOLOv3 來滿足對檢測速度的需求

  • 訓練 YOLOv3

    了解如何訓練 YOLOv3 檢測模型

• 4. 電腦視覺深度學習實戰

  人臉關鍵點檢測及其應用

  • 人臉關鍵點-資料結構簡介

    探索 kaggle 臉部關鍵點資料

  • 人臉關鍵點-檢測網路架構

    學習用 keras 定義人臉關鍵點檢測的網路架構

  • 訓練人臉關鍵點檢測網路

    體會訓練人臉關鍵點檢測網路的過程

  • 人臉關鍵點應用

    體驗人臉關鍵點的應用 - 人臉濾鏡

  • Mobilenet

    輕量化模型簡介 (MobileNet)

  • Ｍobilenetv2

    MobileNet v2 簡介

  • Tensorflow Object Detection API

    Tensorflow Object Detection API使用方式

• 5. 期末專題

  由您親手實作期末專題，驗收學習成效，陪跑專家提供專題解說，解決各種實作疑難雜症

  • 期末專題

    應用所學知識，挑戰電腦視覺深度學習期末專題

• 1. 基礎影像處理

  學習影像處理基礎，並熟悉 OpenCV 寫作方式以及如何前處理

  • OpenCV 簡介 + 顯示圖片

    入門電腦視覺領域的重要套件: OpenCV

  • Color presentation 介紹 (RGB, LAB, HSV)

    淺談圖片不同的表示方式

  • 顏色相關的預處理 (改變亮度, 色差)

    透過圖片不同的表示方式實作修圖效果

  • 以圖片為例做矩陣操作 (翻轉, 縮放, 平移)

    淺談基礎的幾合變換: 翻轉 / 縮放 / 平移

  • 透過 OpenCV 做圖並顯示 (長方形, 圓形, 直線, 填色)

    實作 OpenCV 的小畫家功能

  • Affine transformation 概念與實作

    仿射轉換的入門與實作: affine transform

  • Perspective transformation 概念與實作

    視角轉換的入門與實作: perspective transform

  • Filter 操作 (Sobel edge detect, Gaussian Blur)

    初探邊緣檢測與模糊圖片操作: 了解 filter 的運用

  • SIFT 介紹與實作 (feature extractor)

    SIFT: 介紹與實作經典的傳統特徵

  • SIFT 其他應用 (keypoint matching)

    SIFT 案例分享: 特徵配對

• 2. 電腦視覺深度學習基礎

  打好卷積神經網路的概念，並了解 CNN 各種代表性的經典模型

  • CNN分類器架構：卷積層

    卷積是CNN的核心，了解卷積如何運行 就能幫助我們理解CNN的原理

  • CNN分類器架構：步長、填充

    填充與步長是CNN中常見的超參數， 了解如何設置能幫助我們架構一個CNN Model

  • CNN分類器架構：池化層、全連接層

    池化層時常出現於CNN結構中，而FC層則會接在模型輸出端， 了解如兩者用途能幫助我們架構一個CNN Model

  • CNN分類器架構：Batch Normalization

    Batch Normalization出現在各種架構中， 了解BN層能解決怎樣的問題是我們本章的重點

  • 訓練一個CNN分類器：Cifar10為例

    綜合上述CNN基本觀念， 我們如何結合這些觀念打造一個CNN 模型

  • 如何使用Data Augmentation

    訓練模型時常常會遇到資料不足的時候，適當的使用Image Augmentation能提升模型的泛化性

  • 深度學習理論與實作：Classic CNN Backbone

    綜合之前所學的CNN觀念，認識第一個引領影像研究方向朝向深度學習的模型

  • InceptionV1-V3

    Inception module提供大家不同於以往的思考方式，將模型的參數量減少，效能卻提升了許多

  • ResNetV1-V2、InceptionV4、Inception-ResNet

    首次超越人類分類正確率的模型，Residual module也影響了後來許多的模型架構

  • Transfer learning

    學習如何利用前人的知識輔助自己訓練與跨領域學習的方法

  • Breaking Captchas with a CNN

    了解如何使用CNN+CTC判定不定長度字串

• 3. CNN 應用案例學習

  學習目前最常使用的 CNN 應用案例：YOLO 物件偵測實務完全上手

  • Object detection原理

    了解Object Detection出現的目的與基本設計原理

  • Object detection基本介紹、演進

    了解Object Detection一路發展下來，是如何演進與進步

  • Region Proposal、IOU概念

    IOU是貫穿Object Detection的一個重要觀念，了解如何計算IOU對了解Object Detection中許多重要步驟會很有幫助

  • RPN架構介紹

    RPN是Faster RCNN成功加速的關鍵，了解RPN便能深入認識Faster RCNN

  • Bounding Box Regression原理

    所有的Object Detection模型都需要做Bounding Box的Regression，了解其是如何運作的能幫助我們更認識Object Detection

  • Non-Maximum Suppression (NMS)原理

    所有的Object Detection模型都有Non Maximum Suppression的操作，了解其是如何運作的能幫助我們更認識Object Detection

  • 程式導讀、實作

    了解如何搭建一個SSD模型

  • YOLO 簡介及算法理解

    了解 YOLO 的基本原理

  • YOLO 細節理解 - 網路輸出的後處理

    理解網路輸出的後處理，執行nms的過程

  • YOLO 細節理解 - 損失函數

    認識YOLO損失函數設計架構與定義

  • YOLO 細節理解 - 損失函數程式碼解讀

    講解YOLO損失函數程式碼

  • YOLO 細節理解 - 網路架構

    了解YOLO網絡架構的設計與原理

  • YOLO 細節理解 - 網路架構程式碼解讀

    講解YOLO網絡架構程式碼

  • YOLO 演進

    簡單了解 YOLO 的演進

  • 使用 YOLOv3 偵測圖片及影片中的物件

    了解如何基於現有的 YOLOv3 程式碼客制化自己的需求

  • 更快的檢測模型 - tiny YOLOv3

    了解如何使用 tiny YOLOv3 來滿足對檢測速度的需求

  • 訓練 YOLOv3

    了解如何訓練 YOLOv3 檢測模型

• 4. 電腦視覺深度學習實戰

  人臉關鍵點檢測及其應用

  • 人臉關鍵點-資料結構簡介

    探索 kaggle 臉部關鍵點資料

  • 人臉關鍵點-檢測網路架構

    學習用 keras 定義人臉關鍵點檢測的網路架構

  • 訓練人臉關鍵點檢測網路

    體會訓練人臉關鍵點檢測網路的過程

  • 人臉關鍵點應用

    體驗人臉關鍵點的應用 - 人臉濾鏡

  • Mobilenet

    輕量化模型簡介 (MobileNet)

  • Ｍobilenetv2

    MobileNet v2 簡介

  • Tensorflow Object Detection API

    Tensorflow Object Detection API使用方式

• 5. 期末專題

  由您親手實作期末專題，驗收學習成效，陪跑專家提供專題解說，解決各種實作疑難雜症

  • 期末專題

    應用所學知識，挑戰電腦視覺深度學習期末專題

• 1. 基礎影像處理

  學習影像處理基礎，並熟悉 OpenCV 寫作方式以及如何前處理

  • OpenCV 簡介 + 顯示圖片

    入門電腦視覺領域的重要套件: OpenCV

  • Color presentation 介紹 (RGB, LAB, HSV)

    淺談圖片不同的表示方式

  • 顏色相關的預處理 (改變亮度, 色差)

    透過圖片不同的表示方式實作修圖效果

  • 以圖片為例做矩陣操作 (翻轉, 縮放, 平移)

    淺談基礎的幾合變換: 翻轉 / 縮放 / 平移

  • 透過 OpenCV 做圖並顯示 (長方形, 圓形, 直線, 填色)

    實作 OpenCV 的小畫家功能

  • Affine transformation 概念與實作

    仿射轉換的入門與實作: affine transform

  • Perspective transformation 概念與實作

    視角轉換的入門與實作: perspective transform

  • Filter 操作 (Sobel edge detect, Gaussian Blur)

    初探邊緣檢測與模糊圖片操作: 了解 filter 的運用

  • SIFT 介紹與實作 (feature extractor)

    SIFT: 介紹與實作經典的傳統特徵

  • SIFT 其他應用 (keypoint matching)

    SIFT 案例分享: 特徵配對

• 2. 電腦視覺深度學習基礎

  打好卷積神經網路的概念，並了解 CNN 各種代表性的經典模型

  • CNN分類器架構：卷積層

    卷積是CNN的核心，了解卷積如何運行 就能幫助我們理解CNN的原理

  • CNN分類器架構：步長、填充

    填充與步長是CNN中常見的超參數， 了解如何設置能幫助我們架構一個CNN Model

  • CNN分類器架構：池化層、全連接層

    池化層時常出現於CNN結構中，而FC層則會接在模型輸出端， 了解如兩者用途能幫助我們架構一個CNN Model

  • CNN分類器架構：Batch Normalization

    Batch Normalization出現在各種架構中， 了解BN層能解決怎樣的問題是我們本章的重點

  • 訓練一個CNN分類器：Cifar10為例

    綜合上述CNN基本觀念， 我們如何結合這些觀念打造一個CNN 模型

  • 如何使用Data Augmentation

    訓練模型時常常會遇到資料不足的時候，適當的使用Image Augmentation能提升模型的泛化性

  • 深度學習理論與實作：Classic CNN Backbone

    綜合之前所學的CNN觀念，認識第一個引領影像研究方向朝向深度學習的模型

  • InceptionV1-V3

    Inception module提供大家不同於以往的思考方式，將模型的參數量減少，效能卻提升了許多

  • ResNetV1-V2、InceptionV4、Inception-ResNet

    首次超越人類分類正確率的模型，Residual module也影響了後來許多的模型架構

  • Transfer learning

    學習如何利用前人的知識輔助自己訓練與跨領域學習的方法

  • Breaking Captchas with a CNN

    了解如何使用CNN+CTC判定不定長度字串

• 3. CNN 應用案例學習

  學習目前最常使用的 CNN 應用案例：YOLO 物件偵測實務完全上手

  • Object detection原理

    了解Object Detection出現的目的與基本設計原理

  • Object detection基本介紹、演進

    了解Object Detection一路發展下來，是如何演進與進步

  • Region Proposal、IOU概念

    IOU是貫穿Object Detection的一個重要觀念，了解如何計算IOU對了解Object Detection中許多重要步驟會很有幫助

  • RPN架構介紹

    RPN是Faster RCNN成功加速的關鍵，了解RPN便能深入認識Faster RCNN

  • Bounding Box Regression原理

    所有的Object Detection模型都需要做Bounding Box的Regression，了解其是如何運作的能幫助我們更認識Object Detection

  • Non-Maximum Suppression (NMS)原理

    所有的Object Detection模型都有Non Maximum Suppression的操作，了解其是如何運作的能幫助我們更認識Object Detection

  • 程式導讀、實作

    了解如何搭建一個SSD模型

  • YOLO 簡介及算法理解

    了解 YOLO 的基本原理

  • YOLO 細節理解 - 網路輸出的後處理

    理解網路輸出的後處理，執行nms的過程

  • YOLO 細節理解 - 損失函數

    認識YOLO損失函數設計架構與定義

  • YOLO 細節理解 - 損失函數程式碼解讀

    講解YOLO損失函數程式碼

  • YOLO 細節理解 - 網路架構

    了解YOLO網絡架構的設計與原理

  • YOLO 細節理解 - 網路架構程式碼解讀

    講解YOLO網絡架構程式碼

  • YOLO 演進

    簡單了解 YOLO 的演進

  • 使用 YOLOv3 偵測圖片及影片中的物件

    了解如何基於現有的 YOLOv3 程式碼客制化自己的需求

  • 更快的檢測模型 - tiny YOLOv3

    了解如何使用 tiny YOLOv3 來滿足對檢測速度的需求

  • 訓練 YOLOv3

    了解如何訓練 YOLOv3 檢測模型

• 4. 電腦視覺深度學習實戰

  人臉關鍵點檢測及其應用

  • 人臉關鍵點-資料結構簡介

    探索 kaggle 臉部關鍵點資料

  • 人臉關鍵點-檢測網路架構

    學習用 keras 定義人臉關鍵點檢測的網路架構

  • 訓練人臉關鍵點檢測網路

    體會訓練人臉關鍵點檢測網路的過程

  • 人臉關鍵點應用

    體驗人臉關鍵點的應用 - 人臉濾鏡

  • Mobilenet

    輕量化模型簡介 (MobileNet)

  • Ｍobilenetv2

    MobileNet v2 簡介

  • Tensorflow Object Detection API

    Tensorflow Object Detection API使用方式

• 5. 期末專題

  由您親手實作期末專題，驗收學習成效，陪跑專家提供專題解說，解決各種實作疑難雜症

  • 期末專題

    應用所學知識，挑戰電腦視覺深度學習期末專題