點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

講 CS231n 的 Justin Johnson 在密歇根大學(xué)推出了一套計(jì)算機(jī)視覺的進(jìn)階課程。

計(jì)算機(jī)視覺在日常生活中已經(jīng)無處不在。從搜索引擎、圖像理解、地圖、醫(yī)療、無人機(jī)、自動駕駛到各類手機(jī) app，都離不開計(jì)算機(jī)視覺。這些應(yīng)用中有許多像圖像分類和目標(biāo)檢測這樣的視覺識別任務(wù)，而神經(jīng)網(wǎng)絡(luò)方面的進(jìn)展大大提高了視覺識別系統(tǒng)的性能。

來自密歇根大學(xué)的 Justin Johnson 在 2019 年秋季推出了一套新的課程，該課程深入探討了基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺深度學(xué)習(xí)方法的細(xì)節(jié)。這一課程近日已在 YouTube 上開放。

課程視頻鏈接：https://www.youtube.com/playlist?list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r

課程概況

這套 2019 年秋季的計(jì)算機(jī)視覺課程名為「Deep Learning for Computer Vision」，課程講授者是來自密歇根大學(xué)的 Justin Johnson。作為斯坦福大學(xué)李飛飛教授的學(xué)生，Justin Johnson 曾和李飛飛一起講授斯坦福大學(xué)計(jì)算機(jī)視覺經(jīng)典課程 CS231n。

Justin Johnson，圖源：https://web.eecs.umich.edu/~justincj/。

目前，Justin Johnson 正在密歇根大學(xué)擔(dān)任助理教授，同時他也是 Facebook AI 研究所的客座科學(xué)家。他的研究興趣主要是計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)，研究涉及視覺推理、視覺和語言、圖像生成以及使用深度神經(jīng)網(wǎng)絡(luò)的 3D 推理。

在「Deep Learning for Computer Vision」課程中，學(xué)生可以學(xué)習(xí)到實(shí)現(xiàn)、訓(xùn)練和調(diào)試自己的神經(jīng)網(wǎng)絡(luò)，并能夠詳細(xì)了解計(jì)算機(jī)視覺前沿研究的知識。課程中介紹了學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)架構(gòu)以及用于訓(xùn)練和微調(diào)視覺識別任務(wù)網(wǎng)絡(luò)的實(shí)用工程技巧。

22 個課時、19 個主題、歷時 3 個多月

密歇根大學(xué) 2019 秋季「Deep Learning for Computer Vision」課程歷時 3 個多月，共計(jì) 22 個課時，19 個主題。

課時 1：計(jì)算機(jī)視覺深度學(xué)習(xí)簡介，包括歷史背景和當(dāng)前發(fā)展概述；
課時 2：圖像分類，包括數(shù)據(jù)驅(qū)動方法、最近鄰算法、超參數(shù)和交叉驗(yàn)證；
課時 3：線性分類器，包括 Softmax 或 SVM 分類器和 L2 正則化；
課時 4：優(yōu)化，包括隨機(jī)梯度下降、動量、AdaGrad、Adam 和二階優(yōu)化器；
課時 5：神經(jīng)網(wǎng)絡(luò)，包括特征轉(zhuǎn)換、全連接網(wǎng)絡(luò)、泛逼近（universal approximation ）和凸性。

課時 6：反向傳播，包括計(jì)算圖、反向傳播和矩陣乘法示例；
課時 7：卷積網(wǎng)絡(luò)，包括卷積、池化和批歸一化；
課時 8：CNN 架構(gòu)，包括 AlexNet、VGG、ResNet、大小 VS 準(zhǔn)確性、分組和可分離卷積以及神經(jīng)架構(gòu)搜索；
課時 9：硬件和軟件，包括 CPU、GPU、TPU、動態(tài)與靜態(tài)圖以及 PyTorch 和 TensorFlow；
課時 10：神經(jīng)網(wǎng)絡(luò)訓(xùn)練 I，包括激活函數(shù)、數(shù)據(jù)預(yù)處理、權(quán)重初始化、數(shù)據(jù)增廣和正則化（Dropout 等）；

課時 11：神經(jīng)網(wǎng)絡(luò)訓(xùn)練 II，包括學(xué)習(xí)率方案、超參數(shù)優(yōu)化、模型集成、遷移學(xué)習(xí)和大批量訓(xùn)練；
課時 12：遞歸網(wǎng)絡(luò)，包括 RNN、LSTM、GRU、語言建模、序列到序列、圖像標(biāo)注和視覺問題；
課時 13：注意力，包括多模態(tài)注意力、自注意力和 Transformers；
課時 14：可視化和理解，包括特征可視化、對抗性示例以及 DeepDream 和風(fēng)格遷移；
課時 15：目標(biāo)檢測，包括單級檢測器和兩級檢測器；

課時 16：圖像分割，包括語義分割、實(shí)例分割和關(guān)鍵點(diǎn)估計(jì)；
課時 17：3D 視覺，包括 3D 形狀表示、深度估計(jì)、3D 形狀預(yù)測以及立體像素、點(diǎn)云、SDF 和網(wǎng)格；
課時 18：視頻，包括視頻分類、早期和后期融合、3D CNN 和雙流網(wǎng)絡(luò)；
課時 19：生成模型 I，包括監(jiān)督與無監(jiān)督學(xué)習(xí)、判別與生成模型、自回歸模型和變分自編碼器；
課時 20：生成模型 II，包括變分更強(qiáng)的自編碼器和生成對抗網(wǎng)絡(luò)；

課時 21：強(qiáng)化學(xué)習(xí)，包括強(qiáng)化學(xué)習(xí)問題設(shè)置、貝爾曼方程、Q 學(xué)習(xí)和策略梯度；
課時 22：課程總結(jié)，包括課程回顧和計(jì)算機(jī)視覺的發(fā)展展望。

對課程主題感興趣的小伙伴趕快去觀看視頻了！

參考鏈接：

https://web.eecs.umich.edu/~justincj/

https://web.eecs.umich.edu/~justincj/teaching/eecs498/schedule.html


個人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱

22課時、19大主題，CS 231n進(jìn)階版課程視頻上線

重磅干貨，第一時間送達(dá)

22課時、19大主題，CS 231n進(jìn)階版課程視頻上線

重磅干貨，第一時間送達(dá)