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
內容簡介
作者介紹
適合人群
你將會學到什麼
購買須知
-
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（5/21更新）
-
Color presentation 介紹 (RGB, LAB, HSV) （5/21更新）
-
顏色相關的預處理（5/21更新）
-
縮放齊次座標與幾何轉換（5/21更新）
-
OpenCV 影像處理（5/21更新）
-
仿射變換的概念與實作（5/21更新）
-
Perspective transformation 概念與實作（5/21更新）
-
Filter 的概念與實作場景 (Sobel, Gaussian Blur)（5/21更新）
-
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
-
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
-
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（5/21更新）
-
Color presentation 介紹 (RGB, LAB, HSV) （5/21更新）
-
顏色相關的預處理（5/21更新）
-
縮放齊次座標與幾何轉換（5/21更新）
-
OpenCV 影像處理（5/21更新）
-
仿射變換的概念與實作（5/21更新）
-
Perspective transformation 概念與實作（5/21更新）
-
Filter 的概念與實作場景 (Sobel, Gaussian Blur)（5/21更新）
-
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
-
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
-
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（5/21更新）
-
Color presentation 介紹 (RGB, LAB, HSV) （5/21更新）
-
顏色相關的預處理（5/21更新）
-
縮放齊次座標與幾何轉換（5/21更新）
-
OpenCV 影像處理（5/21更新）
-
仿射變換的概念與實作（5/21更新）
-
Perspective transformation 概念與實作（5/21更新）
-
Filter 的概念與實作場景 (Sobel, Gaussian Blur)（5/21更新）
-
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
-
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
-
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（5/21更新）
-
Color presentation 介紹 (RGB, LAB, HSV) （5/21更新）
-
顏色相關的預處理（5/21更新）
-
縮放齊次座標與幾何轉換（5/21更新）
-
OpenCV 影像處理（5/21更新）
-
仿射變換的概念與實作（5/21更新）
-
Perspective transformation 概念與實作（5/21更新）
-
Filter 的概念與實作場景 (Sobel, Gaussian Blur)（5/21更新）
-
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
-
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
-
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（5/21更新）
-
Color presentation 介紹 (RGB, LAB, HSV) （5/21更新）
-
顏色相關的預處理（5/21更新）
-
縮放齊次座標與幾何轉換（5/21更新）
-
OpenCV 影像處理（5/21更新）
-
仿射變換的概念與實作（5/21更新）
-
Perspective transformation 概念與實作（5/21更新）
-
Filter 的概念與實作場景 (Sobel, Gaussian Blur)（5/21更新）
-
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
-
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