如何做好計算機視覺的研究工作，迎接更廣闊的未來職業發展，能夠上手應用，編寫屬於自己的神經網絡和計算機視覺應用？本次課程將圍繞著計算機視覺中最常見的RCNN圖像識別算法進行極限剖析，從數學理論， 模型框架到實踐實操，讓你在短時間內從理論到實踐，掌握深度學習的基本知識和學習方法。
· 目的：掌握神經網絡的基本原理，知其然亦知其所以然（從數學實踐到代碼的熟練和精通）;
· 手段：科學的方法。理論到實踐的剖析;
· 成果：掌握計算機視覺的基本方法，從容地應對實踐中面臨的挑戰。
課程大綱：
階段1 圖像預處理
第一課：OpenCV 及圖像處理基礎
知識點：圖像處理，灰度值提取，Histogram提取
第二課：OpenCV進階：圖像濾波，特徵提取及匹配
知識點：Sift，視覺和圖像變換, 邊緣檢測算法等
第三課：實踐：利用KNN算法和OpenCV進行手寫字符識別
階段2: 創建自己的圖像識別神經網絡
第四課：深入理解神經網絡的前向傳遞和反向傳播及其物理意義
知識點：Loss function，交叉熵代價函數，梯度下降法求導
第五課：訓練你自己的網絡，重點為調參和工作中用到的一些技巧
知識點：Loss function，交叉熵代價函數，梯度下降法
第六課：卷積神經網絡（CNN）在圖像分類識別中的應用（附python編程和算法解析）
知識點：數據輸入層，卷積計算層，激勵層（Sigmoid，Tanh，ReLu，ELU），池化層，全聯接層，Batch Normalization, 學習率
第七課：實踐，不使用任何工具包，訓練一個屬於你自己的神經網絡進行手寫字符識別
系列3. 深度卷積神經網絡進階
第八課：不同的神經網絡類別和應用
知識點：調參基本技巧，向量點積
第九課：深度卷積神經網絡原理及實踐
知識點，神經網絡的遷移學習技巧
第十課：搭建圖片搜索系統，深入理解Triplet Loss 及其訓練技巧
第十一課：實踐：使用Tensorflow/Keras搭建神經網絡，進行圖像分類
階段4: 目標檢測和LSTM標註法
第十二課： 目標檢測算法
知識點：Fast RCNN , Faster RCNN, Yolo, SSD
第十三課：LSTM 標註學習
第十四課：實踐：使用Tensorflow/Keras在數據集上進行目標檢測
授課時間：
本期課程將於2月1日開始。課程持續時間大約為16周。
授課對象：
計算機視覺是人工智慧未來三大應用之一，也是人工智慧技術應用方向的領頭羊，被廣泛使用在人臉識別，安防，無人駕駛等領域。目前國內人工智慧一批獨角獸不斷湧出，在歐美各地亦有較多人才缺口，未來十年是計算機視覺技術和應用井噴的十年，本課程面向工業界未來人工智慧人才，並傳授我個人的一些經驗。
收穫預期：
了解計算機視覺圖像識別基本原理和算法，學會解決在實踐中遇到的各種問題。
講師介紹：
Daniel，2011年畢業於香港科技大學，師從信號處理的普林斯頓教授Oscar Chan，後旅法。在法國工作多年從事計算機視覺相關工作，現在在ENSTA-ParisTech任計算機視覺算法研究員。我現在也在負責招聘業務，亦願意和學員共同交流海外工作經驗和計算機視覺算法方面的工作機會。
點擊下方二維碼或閱讀原文報名課程：