端到端(End TO End)--由传统方法到深度学习(第一期) 端到端(End TO End)--由传统方法到深度学习(第一期)
所属分类:人工智能
  课程名 : 端到端(End TO End)--由传统方法到深度学习(第一期)【开课中】 总学费/人 : ¥400 (固定学费:¥100, 逆向学费:¥300) 开课时间 : 2019-07-13 09:00:00 
开课老师 : jsxyhelu


课程简介:

完整多图提纲请下载:链接:https://pan.baidu.com/s/10dBeW0tK5KGpAm5g7yn-mA  提取码:cezn



OpenCV每周下载量超过200万次,是世界上最流行的开源计算机视觉库。它实现了2500多种优化算法,适用于所有主要的操作系统,有多种语言可供选择,并且免费用于商业用途。从3.3版本开始,OpenCV就已经开始逐步添加并丰富Dnn模块;时至今日,它已经成为CPU上最快的推理引擎之一。


随着近些年来人工智能(AI)技术的不断发展,计算机视觉技术(CV)也呈现出新的趋势。我们常说“一图顶千言”,也就是说一幅图像中,往往包含了大量的信息。试想一幅512X512的彩色Lena图片,就包含有512*512*3的像素信息;再加上现在高清高速摄像的加持、以及视觉系统在生活方方面面的广泛使用;人手一个兼具备高清采集和高清处理的手持设备(智能手机)。某种意义上可以说,视觉数据就是天生的大数据,解决计算机视觉的问题和就是解决机器学习的问题。
     
AI技术风起云涌、各种模型百花齐放,很多产品已经落地。面对这样的形势,我们应该拿出积极的态度:“临渊羡鱼,不如退而织网”,本门课程立足图像处理实践,积极引入深度学习内容。通过11+个DNN算法例子和1个部署例子的教授,帮助学习者建立牢固基础、激发思考能力、并服务产品实践。

课程大纲:
第一课:课程综述:由人工特征的百花齐放到深度学习的一统江湖
1、由人脸识别的技术变迁引出今日DNN技术的现状和优势;
2、本门课程的价值
3、整个课程的预设提纲
4、开展实验的基本准备
 
第二课:基本环境构建、基础知识框架、基本数据准备,将FaceDnn实现
为了本课程内容,需要构建的基本环境。分为几个部分来组成,并且一次性分享资料。
1、基础环境
2、基础数据
3、识别过程
4、实时视频框架
 
第三课:OpenCV自带dnn的Example研究(1)
简单来说,三到六课,我们就是要研究OpenCV自己所附带的、较高质量的代码中,DNN是如何发挥作用的。
1、classification
2、colorization
3、object_detech
4、models.yml 研究
       
第四课:OpenCV自带dnn的Example研究和实施视频处理GUI程序的融入(2)
1、open_pose
2、segmentation
3、text_detection
4、如何将GOMfcTemplate融入现有框架,实现动态的效果。

第五课:OpenCV自带dnn的Example研究(3)
style transfer这个深度学习杀手应用的历史由来、实现要点和部署考虑。
在本课中,我们要引入模型的训练,并且借助平台提供的云服务器快速实现这个训练过程。

课程六、OpenVINO的环境搭建(双平台)和车辆检测实例
OpenVINO全称为开放式视觉推理和神经网络优化(Open Visual Inference & Neural Network Optimization),其前身是英特尔计算机视觉SDK(Computer Vision SDK),通过工具包中集成的三个全新API:深度学习部署工具包、通用的深度学习推理工具包以及OpenCV和OpenVX的优化功能,支持TensorFlowMXNet和Caffe框架。
在应用层面上,OpenVINO确实以一种比较简单的方式提升了dl+cv程序的运行速度(其提出的“边缘计算”最符合我们课程“端到端”的定义,所以我们必须要介绍并且实现。
 
课程七、OpenVINO范例-超分辨率
1.    OpenVINO范例编译和概览
2.    几个有趣例子的运行效果
3.    比较style_transfer和super_resolution,解析代码框架
4.    简化、注释、独立super_resolutinon
5.    代码讲解和小结

课程八、OpenVINO范例-道路分割
1.    视频集和图片集
2.    例子程序的描述、简化、改写

课程九、OpenVINO范例-汽车识别
1.    汽车识别例子的解析

2.    函数化和级联化


课程十、OpenVINO范例-人脸识别&课程总结
1.    interactive_face_detection_demo回顾  
2.    选用模型的解释
3.    嵌入式硬件平台PK (综合比较rk3399、nvidia jetson nano、intel ncs2等多款优于Pi3+嵌入式平台的性能,主要是浮点运算能力和深度学习性能NCS等硬件的内容)
4.    全部课程总结



 

GMT+8, 2019-9-17 13:20 , Processed in 0.102683 second(s), 27 queries .