基于深度学习的通用目标检测


精心梳理了当前目标检测领域基于深度学习的相关算法原理和实现细节,包括:RCNN,Fast-RCNN,Faster-RCNN,YOLO-v1,YOLO-v2,YOLO-v3。

        

课程难度

高级

已经参加学习的人数

58

课程主讲师

谭老师

学习次数

1683

One-stage方法与Two-stage方法样例对比
R-CNN详解
通用目标检测算法时间序列图
课程大纲

第 1 集通用物体检测系列课试听

  • 1.1 通用物体检测系列经典方法介绍试听
  • 1.2 RCNN检测方法原理与实践详解试听
  • 1.3 Fast-RCNN通用目标检测方法原理与实践详解试听
  • 1.4 Faster-RCNN通用目标检测方法原理与实践详解试听
  • 1.5 YOLOv1通用目标检测方法原理与实践详解试听
  • 1.6 YOLOv2通用目标检测方法原理与实践详解试听
  • 1.7 YOLOv3通用目标检测方法原理与实践详解试听

第 2 集通用物体检测系列经典方法介绍

  • 2.1 背景介绍之计算机视觉的任务
  • 2.2 背景介绍之CNN系列在计算机视觉的应用
  • 2.3 基于CNN的通用目标检测方法发展历史
  • 2.4 Two-stage method vs. One-stage method
  • 2.5 本课程的主要内容介绍

第 3 集RCNN检测方法原理与实践详解

  • 3.1 论文基本情况介绍
  • 3.2 物体检测流程
  • 3.3 RCNN方法的流程以及优越性
  • 3.4 图像识别中图像特征的发展历程
  • 3.5 如何用深度神经网络定位物体
  • 3.6 如何用较小数据集训练高性能模型
  • 3.7 Region proposals:Selected Search方法
  • 3.8 Feature Extractor
  • 3.9 Classifier
  • 3.10 Bounding Box Regression

第 4 集Fast-RCNN通用目标检测方法原理与实践详解

  • 4.1 论文基本情况介绍
  • 4.2 RCNN方法的两大问题
  • 4.3 SPPNet原理、流程以及优缺点
  • 4.4 RCNN、SPPNet、Fast-RCNN 的流程对比
  • 4.5 Share Convolution Layer
  • 4.6 SPP Layer vs. ROI Pooling Layer
  • 4.7 One-stage training
  • 4.8 Multi-task Loss 和 Location Loss
  • 4.9 Hierarchical Sampling
  • 4.10 RCNN、SPPNet、Fast-RCNN 的效果对比
  • 4.11 作者提出的几个有意思的问题
  • 4.12 论文总结

第 5 集Faster-RCNN通用目标检测方法原理与实践详解

  • 5.1 论文基本情况介绍
  • 5.2 物体检测方法的瓶颈
  • 5.3 相关工作:Overfeat和DeepMultiBox
  • 5.4 Faster-RCNN 的流程
  • 5.5 Region Proposal Networks的原理和实现
  • 5.6 Anchors:Translation-Invariant Anchors 和 Multi-Scale Anchors
  • 5.7 Attention mechanisms
  • 5.8 Faster-RCNN的好处:Training End-to-End
  • 5.9 Faster-RCNN的效果
  • 5.10 论文总结

第 6 集YOLOv1通用目标检测方法原理与实践详解

  • 6.1 论文基本情况介绍
  • 6.2 YOLO方法的三大优点
  • 6.3 YOLO设计思路:检测问题当做回归问题
  • 6.4 Unified Detection
  • 6.5 YOLO Architecture
  • 6.6 YOLO的训练过程及关键字
  • 6.7 YOLO的测试过程
  • 6.8 YOLO的效果
  • 6.9 关于YOLO的一些讨论

第 7 集YOLOv2通用目标检测方法原理与实践详解

  • 7.1 论文基本情况介绍
  • 7.2 YOLOv1的网络结构回顾
  • 7.3 YOLOv2的Backbone改进
  • 7.4 YOLOv2的Detector改进
  • 7.5 YOLOv2的Training Scheme改进
  • 7.6 YOLOv2的效果
  • 7.7 讨论:从YOLO到YOLOv2的优化方法

第 8 集YOLOv3通用目标检测方法原理与实践详解

  • 8.1 论文基本情况介绍
  • 8.2 检测模块ResNet介绍
  • 8.3 检测方法FPN介绍
  • 8.4 YOLOv3的Backbone改进
  • 8.5 YOLOv3的Detector改进
  • 8.6 YOLOv3的Training Scheme改进
  • 8.7 YOLOv3的效果
  • 8.8 YOLOv3关健代码讲解
Q & A

授课方式是?

为了保障课程质量,提高学习效率, 课程采用录播形式。视频精心录制与剪辑制作,时间比直播更灵活,方便随时观看学习。

学习本课程,有什么前置要求么?

一定的数学基础,至少会一门编程语言。

课程周期是多久?

为了让大家在一定时间内集中精力学习,本课程有效期有6个月。

遇到问题可以咨询么?

本课程为专题课程,不提供在线答疑服务。

如何开取发票?

扫描下方二维码,联系小编即可。

如何延长有效期?

课课程到期后,电脑端登录官网可以续费,续费价格是官网原价的5%,有效期半年。


更多问题、课程咨询、资料获取,扫码找小编






 课程咨询