计算机视觉中大大小小可以包括至少30个以上的方向，在基于深度学习的计算机视觉研究方向中，图像分类，图像分割，目标检测无疑是最基础最底层的任务，掌握好之后可以很快的迁移到其他方向，比如目标识别，目标跟踪，图像增强等。
为了让大家能够掌握好相关技术，我们平台开设了3门相关的视频课程，分别从理论和实践详细讲解了其中的核心技术，并且课程内容会继续保持更新。
深度学习之图像分类
图像分类课程当前包含的内容共约8个小时。
理论部分涵盖了深度学习之图像分类的各个研究方向，如图像分类简介、多类别图像分类、细粒度图像分类，多标签图像分类，弱监督图像分类，零样本图像分类等，既有足够的宽度，也具备有足够的深度。
本次课程中一共已经包含了4个实践案例，分别为人脸表情分类实战，动物细粒度分类实战，生活用品多标签图像分类实战，基于血红细胞的图像分类竞赛技巧，从4大方向基于Pytorch实战来详解图像分类任务实践。
深度学习之图像分割
图像分割课程当前包含的内容共约10个小时。
理论部分涵盖了深度学习之图像分割的各个研究方向，包括传统的图像分割，语义分割、实例分割、图像分割评价指标、提升性能技巧，分割后处理技术。
本次课程中一共已经包含了2个实践案例，分别为基于Pytorch的表面缺陷语义分割实战及基于Pytorch的实例分割实战。
深度学习之目标检测
目标检测课程当前包含的内容共约14个小时。
理论部分内容包括：目标检测相关基础，包括流程与评价指标，two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解等；
实践部分内容包括了：YOLOv3实战（工业缺陷检测）、Faster-RCNN实战（猫脸检测）。
更多内容
如果你想一次性拥有更多所有图像识别相关的基础性方向，并且需要及时的个人答疑指导，还希望能够参与真实项目开发，以及有三AI的生态建设，则可以考虑加入2021年有三AI CV春季划。包括但不限于图文，直播与视频，书籍，答疑，项目研发
转载文章请后台联系
侵权必究
