课程大纲 第一阶段 计算机视觉技术基石
第1课：图像处理基础
知识点1： CV背景介绍
知识点2： CV技术的工具箱：OpenCV完全解析（c++，python）
知识点3： 图像的基本操作：遍历图像，ROI选取等
知识点4： 机器学习在CV中的应用：KNN
实战项目： 手写字符识别
第2课：图像处理进阶
知识点1： 图像聚类算法
知识点2： 百图详解图像滤波器
知识点3： 特征提取与匹配（sift等）
知识点4： 坐标变换与视觉测量
实战项目： AR、图像拼接
第二阶段 CV领域的瑞士军刀：深度学习
第3课：神经网络初步与调参技巧 （ by Seven)
试听
知识点1： 线性分类器的基本框架；
知识点2： 深度理解向量点积的物理意义；
知识点3： 神经网络的前向传递和反向传播；
知识点4： 深入理解反向传播——数学推导和物理意义；
实战项目： 使用TensorFlow/Keras快速搭建神经网络进行图像分类
第4课：深度卷积神经网络原理与实践 (by Seven)
知识点1： 理解卷积操作的本质及其物理意义；
知识点2： 重新认识感受野及其计算方式；
知识点3： 多种多样的深度卷积神经网络结构
知识点4： 神经网络中的迁移学习技巧；
实战项目： 百行代码实现Kaggle图像分类竞赛Top-5%
第5课: 图像搜索技术 (by Seven)
知识点1： 基于无监督深度学习的图像搜索技术-Autoencoder；
知识点2： 基于有监督深度学习的图像搜索技术-ConvNets；
知识点3： 应用ConvNets作图像搜索任务的实践经验；
知识点4： 理解深度排序技术；
实战项目： 使用Autoencoder和ConvNets构建图像搜索系统
第6课：大规模车辆图片搜索/重识别 (by Seven)
知识点1： 深入理解Triplet Loss及其训练技巧
知识点2： 基于多任务的深度学习技术
知识点3： 融合多任务和Triplet Loss
实战项目： 使用TensorFlow/Keras由浅入深搭建规模车辆图片搜索系统
第三阶段 CV的重点攻坚：目标检测、语义分割
第7课：目标检测及其在无人驾驶领域的作用
知识点1： 目标检测的任务、Benchmark以及评价指标
知识点2： 2-Stage模型：R-CNN、Fast R-CNN、Faster R-CNN
知识点3： 1-Stage模型：YOLO系列和SSD
知识点4： 初步了解无人驾驶中的视觉问题（以KITTI数据库为例）
实战项目： 使用TensorFlow/PyTorch在COCO数据集上进行目标检测
第8课：深度学习在图像语义分割中的应用
知识点1： 全卷积网络FCN
知识点2： 基于Encoder-Decoder思想的U-Net系列方法
知识点3： 空洞卷积和Deep Lab系列
实战项目： 使用TensorFlow在CoCo数据集上进行语义分割
第四阶段 CV的技术前沿：RNN与GAN
第9课：RNN及其应用（image captioning and VQA）
知识点1： RNN介绍
知识点2： LSTM介绍和背后的梯度解释
知识点3： 基于RNN的图像解释和图像问答任务
实战项目： 使用Keras/PyTorch 搭建一个图像解释模型并分析成功与失败的原因
第10课：深度学习前沿：理解AlphaGo （强化学习） 和生成模型（GAN）背后的原理
知识点1： 深度强化学习原理
知识点2： 对抗生成模型原理及各种变法（Basic GAN, DC-GAN, W-GAN, 等）
知识点3： 基于GAN网络的风格迁移学习
实战项目： 手把手教你如何使用TensorFlow/PyTorch实现GAN 和 强化模型
