课程安排

• 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

  在线直播：Kaggle 比赛 - 重写Notebook kerne

• 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

  在线直播：在线实训内容精讲-使用Keras/PyTorch 搭建一个Image Caption模型详解

  • 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

  在线直播：在线实训内容精讲-图像拼接和手写字符识别详解

  • 1-特征提取与匹配（sift等）
  • 2-CV技术的工具箱：OpenCV解析（c++，python）

  在线直播：在线实训内容精讲-目标检测和如何使用TensorFlow/PyTorch实现GAN详解

  • 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
  • 4-深度强化学习原理
  • 5-基于GAN网络的风格迁移学习
  • 

    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。

  • 

    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。

  • 

    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。

  • 

    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。

  • 

    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。

  • 

    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：项目1 图像分割系统、和项目4 SLAM三维重建系统的总结+面试就业辅导

  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总结+面试就业辅导

  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）的总结+面试就业辅导

  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。

讲师介绍

• 
  Seven博士

  博士毕业于国内Top5高校，在人工智能和模式识别领域发表了10余篇会议和期刊。目前在国内某知名互联网公司担任人工智能算法高级技术专家，有深厚的学术背景和丰富的项目及业务落地经验。Seven老师长期担任校园招聘和社会招聘技术面试官，授课风格深入浅出、诙谐幽默。

• 
  王博士

  中科院CV博士毕业，中国图像图形学会三维视觉专委会委员，目前在百度做CV研发，之前在阿里达摩院做CV研发。

• 
  李博士

  香港中文大学博士，研究方向为计算机视觉、深度学习、增强学习等，主攻深度学习在物体识别与跟踪上的应用。曾作为港中大团队一员，参与ImageNet 2016大规模物体识别比赛获得第一名。在CV、ML等领域的顶级会议(ICCV、ICML)和期刊(IEEE-TIP)上发表多篇论文。曾在MSRA实习，负责人体姿态识别，目前在某名企负责无人驾驶。

学员评价