|
|
内容介绍：
第1章 介绍主要内容、核心知识点、课程涉及到的应用案例、深度学习算法设计通用流程、适应人群、学习本门课程的前置条件、学习后达到的效果等
第2章 目标检测算法基础基本概念、传统的目标检测算法、目前深度学习目标检测主流方法（one-stage、two-stage、多任务网络）、相关算法的基本流程、算法性能的评价指标、不同算法的优缺点和性能比较等，并结合实际的应用场景和案例来介绍目标检测算法的重要性和实用性。
第3章 SSD系列算法原理精讲主要针对SSD系列目标检测算法原理进行介绍，其中涉及到了one-stage目标检测算法流程，SSD及其变种网络（DSSD、DSOD、FSSD、RSSD等）的核心思想、主干网络设计思想、框架结构、Default box、Prior box、样本构造、数据增强、损失函数，对比不同算法优缺点以及介绍算法应用场景等。
第4章 基于SSD的人脸检测项目以人脸检测实际业务场景为例，利用SSD来解决人脸检测问题，涉及到了Wider Face数据集介绍、VOC数据集格式、打包、SSD框架解读、环境搭建、SSD-Face人脸检测模型训练、测试等内容，帮助大家从实际案例的角度出发，快速入门SSD算法框架的实战项目。
第5章 Faster RCNN系列算法原理精讲针对Faster RCNN系列目标检测算法原理进行介绍，其中涉及到了two-stage目标检测算法流程、从RCNN到Faster RCNN以及Faster RCNN的系列变种网络（HyperNet、RFCN、Light-Head RCNN、Mask-RCNN、Cascade RCNN、CoupleNet）的核心思想、主干网络设计思想、框架结构、RPN网络、OHEM、Soft-NMS等，对比不同算法优...
第6章 基于Faster RCNN的ADAS场景目标检测项目以ADAS实际业务场景为例，利用Faster RCNN来解决机动车、非机动车、行人等驾驶场景中的目标检测问题，涉及到Kitti数据集介绍、VOC格式数据转换、Faster rcnn框架解读、环境搭建、Faster rcnn-ADAS目标检测模型训练、测试等内容，帮助大家从实战的角度快速掌握Faster RCNN系列算法框架的使用。
第7章 YOLO系列算法原理精讲针对YOLO系列目标检测算法原理进行介绍，其中涉及到了算法基本流程、主干网络结构、设计思路、YOLOV1/V2/V3/9000、Anchor Boxes、Multi-Scale Training、Darknet-19网络、Darknet框架等，对比不同算法优缺点和模型性能等。
第8章 基于YOLOV3的通用物体检测项目实战以通用物体检测（coco）实际业务场景为例，利用YOLOV3来解决通用物体检测问题，涉及到coco数据集介绍、darknet框架解读，环境搭建、YOLOV3-coco通用物体检测模型训练、测试等内容，帮助大家了解理论的前提下，快速入门YOLO系列算法实战项目。...
第9章 文本检测系列算法原理精讲针对文本检测系列算法原理进行介绍，其中涉及到了算法基本流程、传统的文本检测算法（Top-down、bottom-up）、物体检测算法VS文本检测算法、文本检测算法优化方向、常用文本检测算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文本检测数据集（ICDAR、CTW、RCTW
第10章 基于EAST的自然场景文本检测项目实战以自然场景下的文本检测实际业务场景为例，利用EAST框架来解决文本检测问题，涉及到ICDAR数据集介绍、ICDAR数据下载、标注格式解读、EAST框架解读、环境搭建、模型训练、测试等，帮助大家从实际案例的角度出发，快速入门文本检测算法框架的实战项目。
第11章 多任务网络原理介绍针对文本检测系列算法原理进行介绍，其中涉及到了算法基本流程、传统的文本检测算法（Top-down、bottom-up）、物体检测算法VS文本检测算法、文本检测算法优化方向、常用文本检测算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文本检测数据集（ICDAR、CTW、RCTW
第12章 基于人脸检测+关键点定位的多任务网络项目实战以人脸检测+关键点定位的实际业务场景为例，利用MTCNN多任务网络来解决多个任务的数据打包、环境搭建、模型训练、测试等实战项目，帮助大家从实际案例的角度出发，快速入门多任务网络的实战项目。
第13章 针对课程进行最后总结，回顾课程核心内容，分享目标检测行业实战经验，再次帮助大家理清学习内容进一步的给出后续学习和提升给出建设性意见。
|
|
发表于 2019-4-11 21:36:30
收藏
发表于 2019-4-27 11:07:30
