如何做好计算机视觉的研究工作，迎接更广阔的未来职业发展，能够上手应用，编写属于自己的神经网络和计算机视觉应用？本次课程将围绕着计算机视觉中最常见的RCNN图像识别算法进行极限剖析，从数学理论， 模型框架到实践实操，让你在短时间内从理论到实践，掌握深度学习的基本知识和学习方法。
· 目的：掌握神经网络的基本原理，知其然亦知其所以然（从数学实践到代码的熟练和精通）;
· 手段：科学的方法。理论到实践的剖析;
· 成果：掌握计算机视觉的基本方法，从容地应对实践中面临的挑战。
课程大纲：
阶段1 图像预处理
第一课：图像处理基础
知识点：图像处理，灰度值提取，Histogram处理，视觉和图像变换（Warp），图像卷积
第二课：图像处理进阶：图像滤波，特征提取及匹配
知识点：Harris角点检测，Sift，Surf，Orb，图像特征点匹配, 边缘检测算法等(含所有带工具箱代码 和 纯numpy代码)
第三课：实践：利用KNN算法和OpenCV进行手写字符识别
阶段2: 创建自己的图像识别神经网络
第四课：深入理解神经网络的前向传递和反向传播及其物理意义
知识点：Loss function，交叉熵代价函数，梯度下降法求导
第五课：训练你自己的网络，重点为调参和工作中用到的一些技巧
知识点：Loss function，交叉熵代价函数，梯度下降法
第六课：卷积神经网络（RNN）在图像分类识别中的应用（附python编程和算法解析）
知识点：数据输入层，卷积计算层，激励层（Sigmoid，Tanh，ReLu，ELU），池化层，全联接层，Batch Normalization, 学习率
第七课：实践，不使用任何工具包，训练一个属于你自己的神经网络进行手写字符识别
系列3. 深度卷积神经网络进阶
第八课：不同的神经网络类别和应用
知识点：调参基本技巧，向量点积
第九课：深度卷积神经网络原理及实践
知识点，神经网络的迁移学习技巧
第十课：搭建图片搜索系统，深入理解Triplet Loss 及其训练技巧
第十一课：实践：使用Tensorflow/Keras搭建神经网络，进行图像分类
阶段4: 目标检测和LSTM标注法
第十二课： 目标检测算法
知识点：Fast RCNN , Faster RCNN, Yolo, SSD
第十三课：LSTM 标注学习
第十四课：实践：使用Tensorflow/Keras在数据集上进行目标检测
附加：Kaggle竞赛习题讲解
可下载件：
1. 训练数据集（如MNIST，COCO，车辆识别数据集等）
2. 经典教材的pdf版本（如Computer vision in C++ with the OpenCV Library Adrien-Kaebler著）
3. 所有课程所涉及算法的源代码
4. Kaggle数据集部分习题获奖源代码
授课对象：
计算机视觉是人工智能未来三大应用之一，也是人工智能技术应用方向的领头羊，被广泛使用在人脸识别，安防，无人驾驶等领域。目前国内人工智能一批独角兽不断涌出，在欧美各地亦有较多人才缺口，未来十年是计算机视觉技术和应用井喷的十年，本课程面向工业界未来人工智能人才，并传授老师的丰富实践经验。
课程特色：
1. 实战为先： 本课程提供全面的实战代码，让你很快上手相关实战学习的资料，并能从实战中加深对理论的研究
2. “类比”讲解：枯燥的数学公式往往比较抽象，难以达到直观的效果。通过“类比性”解释，比如能量分布解释，交叉熵的“熵”的解释，用物理的概念，更加直观地了解数学公式，也更深入CV学习的核心内容
3. 覆盖全面：图像分类，图像识别，目标检测，图像分割等，会全面讲解所涉及的CNN 以及Yolo 系列等前沿算法，通过NMS进行IOU优化，让学员对于CV有深入浅出的全面认识
4. 结合工作：在实际CV岗位的工作中，涉及到的调参类工作，优化类工作，模型选择类工作，模型优化类工作，图像标注类工作，也会在课程和习题中展现。
