【总结】2022年有三AI-CV夏季划出炉,超200个课时+10个方向+30个项目,从理论到实践全部系统掌握
什么是有三AI-CV夏季划
学习内容覆盖以下几个部分:
(1) 编程基础,包括C++使用,Caffe等框架的完整源代码解读与定制,开源框架Pytorch的使用。
(2) 数据使用,包括数据获取,数据整理,数据标注,数据增强。
(3) 计算机基础方向深入掌握,包括图像分类,图像分割,图像生成GAN,目标检测与跟踪,人脸图像检测与识别。
(4) 模型设计与优化深入掌握,包括模型分析,模型设计,模型优化。
(5) 3本书,包括《深度学习之图像识别》,《深度学习之模型设计》,《深度学习之人脸图像处理》。
学习资源包括以下部分:
(1) 配套的视频教程。
(2) 3本图书教材。
(3) 2个知识星球学习社区。
(4) 生态组与一对一答疑。
编程与开源框架部分
C++是项目落地的关键,我们需要熟练使用基本库,计算机视觉相关库,掌握高效的编程习惯,学会编写CMake和Makefile编译文件,会配置若干个小任务和1个综合性任务。
Caffe是一个非常适合提高C++与CUDA编程能力,熟悉开源框架开发的框架,需要掌握源代码解读,修改与模型部署(C++接口),掌握Caffe的设计思想,核心代码解读,学会Caffe代码的自定义与修改,学会使用C++接口进行模型部署。
数据使用
数据的使用是深度学习算法领域从业者的必备素质,需要掌握如何收集高质量的数据,如何整理数据,如何分析数据,如何在各类项目中使用好数据增强。我们配置了1门时长超过3小时的《深度学习之数据使用》课程与若干个项目实践。
图像分类
对于刚接触深度学习计算机视觉的初学者来说,图像分类问题是最常见的问题,如何做好图像分类任务,关系到大家能否正确顺利地入门。夏季划配置了1门超过10个小时的《深度学习之图像分类》课程与5个项目实践。
理论部分:涵盖了深度学习之图像分类的各个研究方向,如图像分类简介、多类别图像分类、细粒度图像分类,多标签图像分类,弱监督图像分类,零样本图像分类等,既有足够的宽度,也具备有足够的深度。
实践部分:一共已经包含了5个实践案例,分别为人脸表情分类基本模型与ResNet实战,动物细粒度分类实战,生活用品多标签图像分类实战,基于血红细胞的图像分类竞赛技巧,从4大方向基于Pytorch实战来详解图像分类任务实践。
图像分割
图像分割在直播,电商,自动驾驶等行业中有着广泛的应用,夏季划配置了1门超过13个小时的《深度学习之图像分割-理论实践篇》课程。
理论部分:涵盖了深度学习之图像分割的各个研究方向,如图像分割基础、语义分割、弱监督语义分割,Image Matting,实例分割等,既有足够的宽度,也具备有足够的深度。
实践部分已经包含了4个实践案例,分别为人脸嘴唇分割实战,缺陷分割实战,Image Matting人像抠图实战,Mask RCNN实例分割实战,后续可能还会增加其他方向的实战。
目标检测
(1) 理论部分内容包括:two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解(从YOLO v1到YOLO v5),Anchor-free算法系列详解(包括Densebox,CenterNet,CornetNet等);会非常详细地讲解算法中的细节,帮助彻底消化算法原理;
(2) 实践部分内容包括: YOLOv3实战(工业缺陷检测)、Faster-RCNN实战(猫脸检测),CenterNet(电路板缺陷检测),MMdetection框架使用;基于Pytorch框架进行实战,逐行剖析代码,完全掌握实战细节;
模型分析、设计与优化
好的模型结构是深度学习成功的关键因素之一,不仅是非常重要的学术研究方向,在工业界实践中也是模型是否能上线的关键。对各类底层深度学习模型设计和优化技术理解的深度是决定我们能否在深度学习项目中游刃有余的关键,夏季划配置了3门对应的视频课程。
第1门是《深度学习之模型分析-理论实践篇》,内容涵盖了深度学习模型可视化,复杂度分析,速度分析,总计超过3个小时。
课程详情可见:【视频课】先搞懂你用的模型,深度学习模型分析课程来了!
第2门是《深度学习之模型设计-理论实践篇》:内容包含有网络深度与模型性能、网络宽度与模型性能、注意力机制、轻量化网络、安卓部署5个部分,总共时长超过20个小时:
理论部分内容如下,包括:
(1) 网络深度与模型性能主要包含:经典浅层卷积网络的设计、网络深度对分类模型的影响;
(2) 网络宽度与模型性能主要包含:经典模型的宽度设计思想、网络宽度对模型性能影响;
(3) 注意力机制主要包含:空间注意力模型、通道注意力模型、 混合注意力模型、项目实战;
(4) 轻量化网络理论主要包含:Xception网络、MobileNet V1和V2网络、 ShuffleNet V1和V2网络、SqueezeNet网络;
实践部分内容如下,包括:
(1) 基于MobileNet的网络深度设计分析及实战;
(2) 基于XceptionNet的网络宽度设计分析及实战;
(3) 基于SeNet的人种分类实战;
(4) 基于Pytorch的安卓端模型部署。
第3门是《深度学习之模型优化-理论实践篇》:内容包含模型剪枝,模型量化,模型蒸馏,模型压缩框架4个部分,总共时长超过10个小时:
目前已经包含有模型剪枝,模型量化,模型蒸馏理论与实践。
同时与本课程相关的还有有三AI知识星球中的各类模型优化模块,形式是相关论文的图文解读。
图像生成GAN
GAN的研究和应用在这几年发展可以说是非常迅猛,已经被用于各个研究方向,其应用涉及图像与视频生成,数据仿真与增强,各种各样的图像风格化任务,人脸与人体图像编辑,图像质量提升。其中GAN最早期也是最经典的任务,就是高质量图像生成,当前已经可以生成1024分辨率以上的高清逼真图像,夏季划配置了《深度学习之图像生成GAN》课程。
本课程理论部分内容包括图像生成的各个经典算法与实践,时长超过5个小时,理论与实践内容非常丰富。详细解读了基本的卷积GAN,各类条件生成GAN,强大的StyleGAN系列,数据增强与仿真GAN,后续还会增加3D与视频的部分内容,既有足够的宽度,也具备有足够的深度。
本次课程中一共已经包含了2个Pytorch实战案例,分别为DCGAN人脸嘴唇表情生成任务,StyleGAN人脸图像生成任务,后续还会增加3D与视频部分的实践内容。
人脸图像检测与识别
人脸与人像是整个计算机视觉领域中最重要的图像,夏季划配置了《深度学习人脸检测与识别》课程。
理论部分涵盖了人脸检测、关键点检测、人脸识别、人脸属性识别等内容,实践包括了人脸检测,人脸识别,人脸表情识别3个案例。
深度学习基础
最后,对于初学者来说,可能深度学习的基础不够夯实,有三之前给阿里云开发了《深度学习原理与实践》的基础课程,共38个课时,讲述了深度学习的大部分基础内容,内容深度和宽度都足够让初学者掌握好深度学习基础,介绍和地址如下:
https://tianchi.aliyun.com/course/279
学会能获得什么
有三AI-CV夏季划的目标不仅是让学习者完成对深度学习CV中所有核心方向的掌握,更是要在实际项目中进行使用,因此提供了学习后的一些输出形式,包括做项目、授课等。关于产出形式,下面是一些有三AI季划成员的分享,供大家参考:
如何报名
直接订阅下面的有三AI-CV夏季划小鹅通专栏即可,此后内容增加也不会新增费用。如果已经有夏季划中附赠的书,或者有三AI知识星球,都可以抵扣相应费用,订阅后联系有三微信Longlongtogo获得其他内容。
其他还有如《传统图像处理》,《深度学习之Caffe图像识别》等课程,属于额外增加的内容,不再一一介绍,大家可以自己扫码查看相关课程目录。
关于学习方式
有三AI-CV夏季划学习方式非常自由,包括:
(1) 按照给出的路线和学习资料,分视频,书籍,代码实践3部分可自主把控学习进度,不限制学习时间,永久有效,新增内容会在群里通知。
(2) 有三微信群答疑,有三一对一微信答疑和线下答疑。
(3) 参与内容组,兼职当老师获得收入。参与项目组,做真实项目获得收入。参与运营组,获得收入。
- 【视频课】有三AI所有免费与付费的视频课程内容汇总(2021年8月)
关键词
深度学习
计算机视觉
有三AI
内容
图像分类
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。