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