7月在线 7月 CV就业小班 百度云 百度网盘 下载

阿里云双11来了!从本博客参与阿里云,服务器最低只要86元/年!

文本加V领取资料

  • 第一部分 报名审核

    申请学员(以下简称学员)填写报名申请表并附上简历,电话或远程面试通过后,才视为报名成功,然后学员和七月在线(以下简称机构)双方签订培训合同。

  • 第二部分 内容安排

    课程开始前,提供预习视频预习,课程开始后,每周安排直播、录播、实训、答疑,然后每两周考试一次,顺利通过阶段考试的学员,才能进入下一阶段的学习。未能通过考核的重新学习,做查漏补缺。

    第一阶段 掌握计算机视觉技术的基础

    在线视频:图像处理基础

    • 1-CV背景介绍
    • 2-CV技术的工具箱:OpenCV完全解析(c++,python)
    • 3-图像的基本操作:遍历图像,ROI选取等
    • 4-机器学习在CV中的应用:KNN

    在线视频:图像处理进阶

    • 1-图像聚类算法
    • 2-百图详解图像滤波器
    • 3-特征提取与匹配(sift等)
    • 4-坐标变换与视觉测量

    在线实训:图像拼接

    在线直播:计算机视觉基础

    • 1-图像边缘提取
    • 2-特征提取与描述
    • 3-RANSAC
    • 4-相机模型

    在线直播:三维计算机视觉

    • 1-立体视觉
    • 2-多视几何
    • 3-SFM与SLAM

    第二阶段 掌握机器学习与深度学习基础

    在线视频:机器学习基础和神经网络

    • 1-线性分类器原理推导
    • 2-神经网络基础——前向传递和反向传播算法
    • 3-神经网络调参实践

    在线实训:使用TensorFlow/Keras快速搭建神经网络进行图像分类

    在线视频:深度卷积神经网络原理与实践

    • 1-卷积操作的物理意义
    • 2-深度卷积神经网络的基本结构
    • 3-卷积层的参数个数、输出维度的计算

    在线实训:百行代码实现Kaggle图像分类竞赛Top-5%

    在线直播:机器学习与深度学习基础

    • 1-数学基础
    • 2-深度模型中的正则化与优化
    • 3-再谈TensorFlow/Keras图像分类

    在线直播:深谈深度学习基础问题

    • 1-深度学习中Batch Normalization各种变形
    • 2-深度学习知识回顾和梯度推导深探
    • 3-常见机器学习知识面试问答

    第三阶段 掌握深度学习高级技巧

    在线视频:解析STOA深度卷积神经网络及调参优化技巧

    • 1-深度卷积神经网络结构的发展历史——从AlexNet到DenseNet
    • 2-降低深度网络参数的大杀器——深度可分离网络
    • 3-深度网络模型的训练优化实践经验和技巧

    在线实训:使用Autoencoder和ConvNets构建图像搜索系统

    在线视频:大规模车辆图片搜索/重识别(ReID)

    • 1-深入理解Triplet Loss及其训练技巧
    • 2-基于多任务的深度学习技术
    • 3-融合多任务和Triplet Loss

    在线实训:使用TensorFlow/Keras由浅入深搭建规模车辆图片搜索系统

    在线直播:Two-Stage物体检测

    • 1-考试试题“神经网络与CNN”分析
    • 2-深入理解物体检测的评价指标
    • 3-深入理解Anchor机制
    • 4-RCNN家族模型
    • 5-再谈使用Autoencoder和ConvNets构建图像搜索系统

    在线直播:One-Stage物体检测

    • 1-SSD、YOLO模型剖析
    • 2-Focal Loss背后的原理
    • 3-物体检测的参数解析
    • 4-再谈用Keras/PyTorch 搭建Image Caption模型

    第四阶段 掌握目标检测与语义分割

    在线视频:目标检测及其在无人驾驶领域的作用

    • 1-目标检测的任务、Benchmark以及评价指标
    • 2-2-Stage模型:R-CNN、Fast R-CNN、Faster R-CNN
    • 3-1-Stage模型:YOLO系列和SSD
    • 4-初步了解无人驾驶中的视觉问题(以KITTI数据库为例)

    在线实训:使用TensorFlow/PyTorch在COCO数据集上进行目标检测

    在线视频:深度学习在图像语义分割中的应用

    • 1-全卷积网络FCN
    • 2-基于Encoder-Decoder思想的U-Net系列方法
    • 3-空洞卷积和Deep Lab系列

    在线实训:使用TensorFlow在COCO数据集上进行语义分割

    在线直播:2019物体检测领域新趋势

    • 1-查漏补缺:目标检测遗留问题
    • 2-全新检测技术:不基于检测框 (Anchor-free) 的思路与最新进展
    • 3-目标检测扩展:零样本学习检测 (zero-shot object detection)
    • 4-新趋势方法的代码实战演练

    在线直播:语义分割的核心算法与工业应用

    • 1-语义分割深度学习经典算法算法详解
    • 2-语义分割最新研究进展与工业界应用
    • 3-再谈TensorFlow在COCO数据集的语义分割

    第五阶段 从CV技术前沿到CV竞赛实战

    在线视频:RNN及其应用(image captioning and VQA)

    • 1-RNN介绍
    • 2-LSTM介绍和背后的梯度解释
    • 3-基于RNN的图像解释和图像问答任务

    在线实训:使用Keras/PyTorch 搭建一个Image Caption模型

    在线视频:深度学习前沿:理解AlphaGo (强化学习) 和生成模型(GAN)背后的原理

    • 1-深度强化学习原理
    • 2-对抗生成模型原理及各种变法(Basic GAN, DC-GAN, W-GAN, 等)
    • 3-基于GAN网络的风格迁移学习

    在线实训:手把手教你如何使用TensorFlow/PyTorch实现GAN

    在线直播:轻量级卷积神经网络与模型压缩

    • 1-轻量级卷积神经网络的大杀器:深度可分离卷积
    • 2-理解MobileNet-V1和MobileNet-V2
    • 3-模型剪枝基本算法及相关变种
    • 4-深度压缩技术: Learning to Compress

    在线直播:临阵磨枪之Kaggle比赛经验速成

    • 1-Kaggle挑战赛介绍、搭配环境、数据下载、模型评估
    • 2-迄今最大物体检测数据集Open Images 挑战赛
    • 3-动手实践:谷歌标志物分类挑战赛
  • 第三部分 实战项目

    在课程进行的后半段,学员根据自己的兴趣和求职的方向选择实战项目:

    第一阶段 整体流程介绍与项目任务书发布

    在线直播:项目1 图像分割系统,和项目4 SLAM三维重建系统的介绍

    在线直播:项目2 人体关节点提取,和项目3 给定图像自动生成描述的介绍

    在线直播:项目5 图像细粒度分类,和项目6 跨镜追踪/重识别(ReID)的介绍

    第二阶段 环境配置与特征工程

    在线直播:项目1 图像分割系统,和项目4 SLAM三维重建系统的特征工程

    在线直播:项目2 人体关节点提取,和项目3 给定图像自动生成描述的基本方法详解

    在线直播:项目5 图像细粒度分类,和项目6 跨镜追踪/重识别(ReID)的数据与环境

    第三阶段 模型构建与迭代优化

    在线直播:项目1 图像分割系统,和项目4 SLAM三维重建系统的模型构建

    在线直播:项目2 人体关节点提取,和项目3 给定图像自动生成描述的模型构建

    在线直播:项目5 图像细粒度分类,和项目6 跨镜追踪/重识别(ReID)的模型构建

    第四阶段 模型的评估、优化与上线

    在线直播:项目1 图像分割系统,和项目4 SLAM三维重建系统的整体实现

    在线直播:项目2 人体关节点提取,和项目3 给定图像自动生成描述的整体实现

    在线直播:项目5 图像细粒度分类,和项目6 跨镜追踪/重识别(ReID)的整体实现


    • image

      实战项目一

      基于深度学习的图像分割系统

      图像分割一直是计算机视觉领域的一个研究热点,尤其在深度学习技术的推动下,图像分割开始从研究走向应用,图像分割广泛应用于机器人导航,自动驾驶,图像的艺术化处理,短视频编辑等等领域。

      通过本项目,我们可以学会从零开始搭建一个基于深度学习的图像分割系统,并应用于实际应用中,并对图像分割领域的最新研究理论有深入的理解和思考。


    • image

      实战项目二

      人体关节点提取

      人体关节点提取可以广泛应用于人体运动分析,人体行为分析,游戏娱乐,虚拟现实等等领域。通过本项目,你将学会搭建一套基于深度学习的人体关键点提取系统。


    • image

      实战项目三

      给定图像自动生成描述

      给出一张图,对图像做出描述,比如一个穿着黑衣服的人在弹吉他。该项目涉及多个视觉重的子任务,例如检测、识别;又和自然语言处理结合紧密(RNN/LSTM)。通过该项目的训练,学员能将过去学过的知识融会贯通,掌握high-level计算机视觉任务是如何从底层子任务构建起来的。


    • image

      实战项目四

      SLAM三维重建系统

      SLAM(simultaneous localization and mapping)同时构建地图和定位是近年来计算机视觉领域的研究热点,广泛应用于AR导航,机器人,自动驾驶等等热点领域。通过本项目,我们能够对SLAM理论基础,最新研究进展有深入的理解和思考,并能够搭建一套应用于工业界的SLAM系统,用于对特定物体和场景进行实时精确的三维重建。


    • image

      实战项目五

      超级变态的图像细粒度分类

      细粒度图像分类(Fine-Grained Categorization)在工业界和学术界都有着广泛的研究需求与应用场景。与之相关的研究课题主要包括识别不同种类的鸟、狗、花、车、飞机等。在实际生活中,识别不同的子类别又存在着巨大的应用需求。例如, 在生态保护中, 有效识别不同种类的生物,是进行生态研究的重要前提。细粒度图像的类别精度更加细致,类间差异更加细微,往往只能借助于微小的局部差异才能区分出不同的类别。


    • image

      实战项目六

      大规模跨镜追踪/重识别(ReID)

      行人/车辆重识别(ReID)技术是近年来学术界和工业界的热点问题,ReID技术最大的价值就在于其跨摄像头追踪/关联的能力,有时也被称为跨镜追踪/识别。在当前智慧城市、智慧交通、智慧零售的大背景下,如何细粒度地甄别每个个体(行人或者车辆),并进行个体轨迹还原和串联是理解数据、应用数据的关键。2018年、2019年在各大计算机视觉顶级学术会议,都有大量的ReID论文出现,工业界也纷纷公开宣传了其在ReID公开数据集上取得刷新纪录的突破。

  • 第四部分 面试求职

    针对学员所选的实战项目,进行项目与简历的最终调整与完善。然后除了学员自己投简历找工作之外,增加内推,并跟踪每一次面试的结果,不断辅导迭代,最终拿到offer。

    第一阶段 项目总结和就业辅导

    在线直播:六大项目的总结与就业辅导

    • 1-项目1 图像分割系统、和项目4 SLAM三维重建系统,项目2 人体关节点提取、和项目3 给定图像自动生成描述,项目5 图像细粒度分类、和项目6 跨镜追踪/重识别(ReID)的项目总结
    • 2-简历的优化与调整:如何把课程项目写进简历里,需要突出哪些技术点、如何确定评估指标

    第二阶段 面试辅导与内推

    • 1-内推包括且不限于互联网名企
    • 2-跟踪每一个学员的就业动态,辅导每一次面试遇到的问题
  • 第五部分 入职护航

    针对学员入职后工作上遇到的技术方面问题,进行一周的跟踪服务,为学员稳定就业保驾护航。

加V领取资料 加V备注【 7月CV 】


在这里插入图片描述
https://www.jianshu.com/p/601568086c0d

Python量化投资网携手4326手游为资深游戏玩家推荐:《小米超神下载

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论