來源｜機器之心
講 CS231n 的 Justin Johnson 在密歇根大學推出了一套計算機視覺的進階課程，
計算機視覺在日常生活中已經無處不在，從搜索引擎、影像理解、地圖、醫療、無人機、自動駕駛到各類手機 app，都離不開計算機視覺，這些應用中有許多像影像分類和目標檢測這樣的視覺識別任務，而神經網路方面的進展大大提高了視覺識別系統的性能，
來自密歇根大學的 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網路的計算機視覺深度學習方法的細節，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
B站地址： https://www.bilibili.com/video/BV1TJ411d7b7
課程概況
這套 2019 年秋季的計算機視覺課程名為「Deep Learning for Computer Vision」，課程講授者是來自密歇根大學的 Justin Johnson，作為斯坦福大學李飛飛教授的學生，Justin Johnson 曾和李飛飛一起講授斯坦福大學計算機視覺經典課程 CS231n，
Justin Johnson，圖源： https://web.eecs.umich.edu/~justincj/，
目前， Justin Johnson 正在密歇根大學擔任助理教授，同時他也是 Facebook AI 研究所的客座科學家， 他的研究興趣主要是計算機視覺和機器學習，研究涉及視覺推理、視覺和語言、影像生成以及使用深度神經網路的 3D 推理，
在「Deep Learning for Computer Vision」課程中，學生可以學習到實作、訓練和除錯自己的神經網路，并能夠詳細了解計算機視覺前沿研究的知識，課程中介紹了學習演算法、神經網路架構以及用于訓練和微調視覺識別任務網路的實用工程技巧，
22 個課時、19 個主題、歷時 3 個多月
密歇根大學 2019 秋季「Deep Learning for Computer Vision」課程歷時 3 個多月，共計 22 個課時，19 個主題，
- 課時 1：計算機視覺深度學習簡介，包括歷史背景和當前發展概述；
- 課時 2：影像分類，包括資料驅動方法、最近鄰演算法、超引數和交叉驗證；
- 課時 3：線性分類器，包括 Softmax 或 SVM 分類器和 L2 正則化；
- 課時 4：優化，包括隨機梯度下降、動量、AdaGrad、Adam 和二階優化器；
- 課時 5：神經網路，包括特征轉換、全連接網路、泛逼近（universal approximation ）和凸性，
- 課時 6：反向傳播，包括計算圖、反向傳播和矩陣乘法示例；
- 課時 7：卷積網路，包括卷積、池化和批歸一化；
- 課時 8：CNN 架構，包括 AlexNet、VGG、ResNet、大小 VS 準確性、分組和可分離卷積以及神經架構搜索；
- 課時 9：硬體和軟體，包括 CPU、GPU、TPU、動態與靜態圖以及 PyTorch 和 TensorFlow；
- 課時 10：神經網路訓練 I，包括激活函式、資料預處理、權重初始化、資料增廣和正則化（Dropout 等）；
- 課時 11：神經網路訓練 II，包括學習率方案、超引數優化、模型集成、遷移學習和大批量訓練；
- 課時 12：遞回網路，包括 RNN、LSTM、GRU、語言建模、序列到序列、影像標注和視覺問題；
- 課時 13：注意力，包括多模態注意力、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 和風格遷移；
- 課時 15：目標檢測，包括單級檢測器和兩級檢測器；
- 課時 16：影像分割，包括語意分割、實體分割和關鍵點估計；
- 課時 17：3D 視覺，包括 3D 形狀表示、深度估計、3D 形狀預測以及立體像素、點云、SDF 和網格；
- 課時 18：視頻，包括視頻分類、早期和后期融合、3D CNN 和雙流網路；
- 課時 19：生成模型 I，包括監督與無監督學習、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，包括變分更強的自編碼器和生成對抗網路；
- 課時 21：強化學習，包括強化學習問題設定、貝爾曼方程、Q 學習和策略梯度；
- 課時 22：課程總結，包括課程回顧和計算機視覺的發展展望，
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
編輯：Sophia | 王博（Kings）筆記
計算機視覺聯盟 報道 | 公眾號 CVLianMeng
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/195346.html
標籤：其他
上一篇：自然語言處理中的語言模型簡介