您可以免费观看前 5 分钟或一小节,完整观看请购买。  点此购买


本视频总时长约为12分钟

SIGAI特邀谭博对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进行梳理解读,讲者从计算机视觉的几大任务分类、检测、分割以及深度卷积神经网络的历史讲起,从20世纪80年代CNN小有起色到2012年AlexNet横空出世,从此开始了在计算机视觉领域的称霸之路。通用目标检测作为计算机视觉领域一个重要的任务,在深度学习出现前一直难以达到工业级的应用水平,运行速度和精度都难尽如人意,深度学习出现后,在RBG等大神的引领下出现了一些列基于CNN的高性能检测方法,诸如RCNN->SPPNET->Fast RCNN->Faster RCNN->Mask RCNN 等。 讲者根据其结构特点将这些方法划分为One-stage和Two-stage的两种,并结合实际的例子通俗讲述了这两类方法的实现的差异。讲者将这些关键改进进行了详细的解读,帮助大家快速理解掌握核心要点。

基于CNN的通用物体检测方法介绍中,讲者全面生动地讲解了深度学习的历史以及通用目标检测任务的定义及发展脉络,按照各个方法出现的时间线进行组织,让你快速掌握该领域的技术发展路线。


作者简介:

谭博士毕业于伯克利大学,本科毕业于南京大学,在计算机视觉领域有7年以上的研究经验,主要研究方向为物体检测分割和图像搜索,在NIPS、ICML、CVPR、ECCV等顶级会议期刊发表了数篇相关论文,目前在国外知名互联网公司任研究科学家职位。




购买观看完整解读及视频