计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
自然语言处理( Natural Language Processing, NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。
1.推荐系统通过分析用户的行为,找到用户的个性化需求,从而将一些长尾商品个性化推荐给相应的…
2.推荐系统有3种常见的联系用户和商品的方式:社会化推荐(即好友推荐)、基于内容的推荐…
3.几乎所有的推荐系统是由三部分组成:前台的展示页面、后台的日志系统、推荐算法系统
4.个性化推荐的成功应用需要两个条件:第一是存在信息过载(用户难以找到想要的内容);第二是…
5.Facebook最宝贵的数据有两个:一个是用户之间的社交网络关系;一个是用户的偏好信息
项目1： 无人驾驶车道线分割
项目简介：
- 使用深度学习方法，对图片中的车道线标志区域作出较好的预测，从而更好地辅助无人驾驶和高清地图生成。另外，百度Apollo等相关无人驾驶公司、图像分割算法的相关岗位非常需要和重视这样的项目背景。如有什么问题不对请随时联系我 V 15123957473 欢迎技术交流，其他合作
项目目标：
- 该项目可以理解为一个语义分割的问题，输入车道线图像，输出车道线像素信息，衡量指标为mIOU。通过这个项目，学员可以掌握图像处理基本能力和神经网络实战技巧，收获无人驾驶和高清地图生成方向相关项目经历，这将对开展相关岗位工作或开展其他相关项目带来帮助。
使用到的核心技术：
- 语义分割，U-Net，ResNet，DeepLab v3+，Dice Loss，Upsampling，Dilated Convolution，SPP，Encoder-Decoder
数据集：
- ApolloScape，TuSimple，Cityscapes
- V 15123957473 欢迎技术交流
使用场景：
- 无人驾驶视觉感知，高清地图的生产
week1 项目概述和上采样技术进阶
- 1、项目概述
- 2、卷积神经网络回顾
- 3、上采样技术
week2 转置卷积和FCN实战
V 15123957473 欢迎技术交流
- 1、转置卷积详解
- 2、全卷积网络
- 3、 FCN代码实战
week3 U-Net模型详解
- 1、 U-Net解读
- 2、 ResNet及变种详解
- 3、 U-Net代码实战
week4 DeepLab模型详解
V 15123957473 欢迎技术交流
- 1、膨胀卷积
- 2、DeepLab系列详解
- 3、DeepLab v3+代码实战
week5 数据处理
- 1、数据集制作
- 2、数据清洗
- 3、数据扩增
- 4、数据加载
week6 训练实战
- 1、损失函数详解
- 2、训练框架搭建
- 3、模型评估
week7 项目部署
- 1、服务端模型部署实战
- 2、移动端模型部署简介
week8 图像分割进阶
- 1、语义分割最新进展
- 2、实例分割概述
- 3、全景分割概述
项目2：公共场景下的口罩实时检测
V 15123957473 欢迎技术交流
项目简介：
- 受疫情影响，戴口罩的人脸遮挡了人脸的很多特征，在此之前的检测模型不能很好的检测被口罩大部分遮挡的人脸，为了检测到戴口罩的人脸，设计了新的思路，将口罩作为一个特征进行识别，便于人脸位置的确定和后期人脸关键点的追踪。
项目目标：
- 目标检测问题。实现有遮挡物的例如口罩的人脸检测，确定人脸位置以及检测出是否佩戴口罩。可以应用于公共场合的规范管理，和特定场景下人脸位置的定位等等。
使用到的核心技术：
- Two-Stage检测算法：Faster RCNN系列， FPN等; One-Stage检测算法：YOLO系列，RetinaNet等; Anchor Free检测方法：CenterNet加速方法：轻量级网络结构，网络剪枝，量化等
数据集：
- 自有数据集
使用场景：
- 公共场合防疫、小区门口防疫检测等
week9 项目与检测算法整体介绍及Two-Stage算法(I)
- 1、课程及项目介绍
- 2、Two-Stage算法：RCNN检测算法发展、流程及NMS算法
week10 Two-Stage算法 (II)
- 1、 Fast RCNN：ROI Pooling系列
- 2、Faster RCNN：Anchor，RPN以及检测的回归算法
week11 One-Stage算法 (I)
- 1、 YOLO v1：YOLO算法基本框架
- 2 、YOLO v2：Anchor的引入
- 3、 YOLO v3：多尺度的引入 (及Two-Stage中的FPN)
week12 One-Stage算法 (II) 以及Anchor Free检测算法
V 15123957473 欢迎技术交流
- 1、 YOLO v4：工程技巧
- 2、 RetinaNet：Focal Loss
- 3 、Anchor Free检测算法概述
- 4 、Anchor Free：CenterNet
- 5、Anchor Free：FCos
week13 YOLO v3项目代码 (I)
- 1、网络配置与搭建
- 2、YOLO head (I)：Anchor与生成框的结合
week14 YOLO v3项目代码 (II) 及算法技巧 (I)
- 1、YOLO head (II)：Anchor与真实框的结合
- 2、检测算法回归代码
- 3、算法技巧 (I)：Data Augmentation (含代码)
- 4 、算法技巧 (I)：Regularization (含代码)
week15 算法技巧 (II)
- 1、算法技巧 (II)：Activation Function (含代码)
- 2、算法技巧 (II)：IoU Loss系列 (含代码)
- 3 、YOLO v4的自我实现
week16 加速算法/方法
- 1、 支持层的加速算法: Winograd，Low-Rank Factorization
- 2、算法层的加速方法: MobileNet系列，ShuffleNet系列，EfficientNet
- 3、模型层的加速方法: 模型量化，Network-Slimming
- 4、 Network-Slimming (含代码)
- 5、知识蒸馏 (含代码)
项目3：遮挡状态下的活体人脸身份识别
项目简介：
V 15123957473 欢迎技术交流
- 本项目可以检测戴口罩的人脸，识别遮挡半张人脸的身份信息，检测出该人脸是不是活人。
项目目标：
- 遮挡状态下的活体人脸身份识别可以分为两个部分，遮挡下人脸识别和活体检测。遮挡下人脸识别会涉及标准人脸识别模型、空间注意力机制、注意力损失。学员会进行大规模人类识别模型实践，完成工程代码，对模型进行提升，模型压缩和落地。
使用到的核心技术：
- Model Feature Erasing(MFE)，ResNext，FaceBagNet，Spatial/ChannelAttention，Triplet Loss，Face Embedding，SDK
数据集：
- CASIA-SURF，Large Scale CelebFaces Attributes，LFW，Iris，Color FERET
使用场景：
- 戴口罩人脸识别，互联网远程鉴权，身份核实，刷脸支付
week17 多模态活体检测技术综述以及数据集CASIA-SURF以及评价办法ACER
- 1 、人脸识别安全性的保证：活体检测技术V 15123957473 欢迎技术交流
- 2 、 数据集CASIA-SURF
- 3、 多模态活体检测的评价办法：ACER
week18 Multi-Model-FaceAnti-spoofingAttackModel:facebagnet
- 1、Model Feature Erasing(MFE)
- 2、基于ResNext的简单Pipeline设计思路
- 3、循环余弦学习率
week19 使用Pytorch完成FaceBagNet的前后工程代码
- 1、使用Pytorch完成FaceBagNet的Pipeline
- 2、FaceBagNet的训练策略详解
- 3、工程代码要点讲解
week20 消融实验以及活体检测模型压缩和落地
- 1、基于Crop Batch的数据增强探索与消融实验
- 2 、二进制化模型
- 3 、WebServer落地实战代码详解
week21 Face Recognize技术综述,重点数据集以及工程中的评价办法
- 1、 计算机如何记住人脸：Face Recognize技术
- 2、 人脸识别相关的数据集CelebA等
- 3、 脸识别中的ROC
week22 带有遮挡人脸识别方法核心技术：Spatial/ChannelAttention
- 1、 经典人脸识别方法FaceNet要点
- V 15123957473 欢迎技术交流
- 2、 Standard Attention
- 3、 基于Spatial/Channel Attention的遮挡人脸识别
week23 大规模遮挡人脸识别模型实践：代码完成/提升/定量分析
- 1、 基于Pytorch实现模型的的前向计算
- 2 、在Pytorch框架中对模型调优
- 3、 人脸识别中对定量分析与笑容实验
week24 大规模人脸识别落地方法：SDK
V 15123957473 欢迎技术交流
- 1、 垂直行业落地方法：如何输出C/C++的DLL/SO
- 2 、Python SDK的输出
- 3 、互联网落地方法：WebServer API