京东的网站建设,网站建设 教学大纲,无锡响应式网站设计,拆分网站开发1.深入了解神经网络的组成、训练和实现#xff0c;掌握深度空间特征分布等关键概念#xff1b;
2.掌握迁移学习的思想与基本形式#xff0c;了解传统迁移学习的基本方法#xff0c;对比各种方法的优缺点#xff1b;
3.握深度迁移学习的思想与组成模块#xff0c;学习深…1.深入了解神经网络的组成、训练和实现掌握深度空间特征分布等关键概念
2.掌握迁移学习的思想与基本形式了解传统迁移学习的基本方法对比各种方法的优缺点
3.握深度迁移学习的思想与组成模块学习深度迁移学习的各种方法
4.掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法了解迁移学习在PDA、Source-Free DA上的应用
5.掌握深度迁移学习在语义分割、目标检测、行人重识别等任务中的应用学习图像/视频风格迁移方法了解风格迁移在实际生活中的应用
6.掌握小样本学习、Transformer等前沿方法和基本思想了解小样本学习、Transformer等在实际场景下的应用
7.通过实操掌握图片视频风格迁移自动驾驶中的跨域语义分割目标检测。
老师来自中国科学院计算技术研究所、清华大学、北京理工大学等科研机构和大学的高级专家拥有丰富的科研及工程技术经验长期从事深度学习、迁移学习、计算机视觉等领域的教学与研究工作。
人员各省市、自治区从事人工智能、机器学习、深度学习、迁移学习、计算机视觉、自然语言处理、语音识别、图像处理、小样本分析等领域相关的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员以及深度迁移学习广大爱好者。
一、机器学习简介与经典机器学习算法介绍
1.什么是机器学习
2.机器学习框架与基本组成
3.机器学习的训练步骤
4.机器学习问题的分类
5.经典机器学习算法介绍
目标机器学习是人工智能的重要技术之一详细了解机器学习的原理、机制和方法为学习深度学习与迁移学习打下坚实的基础。
二、深度学习简介与经典网络结构介绍
1.神经网络简介
2.神经网络组件简介
3.神经网络训练方法
4.卷积神经网络介绍
5.经典网络结构介绍
目标深入了解神经网络的组成、训练和实现掌握深度空间特征分布等关键概念为深度迁移学习奠定知识基础。
三、迁移学习基础
1.迁移学习绪论
2.基于样本的迁移学习
3.基于特征的迁移学习
4.基于分类器适配的迁移学习
目标掌握迁移学习的思想与基本形式了解传统迁移学习的基本方法对比各种方法的优缺点掌握迁移学习的适用范围。
四、深度迁移学习介绍
1.深度迁移学习概述
2.基于距离函数的深度迁移学习
3.基于对抗网络的深度迁移学习
4.深度异构迁移学习方法介绍
5.深度领域泛化学习介绍
目标掌握深度迁移学习的思想与组成模块学习深度迁移学习的各种方法对比各种方法的优缺点掌握深度迁移学习的适用范围。
五、迁移学习前沿方法介绍
1.深度迁移网络结构设计
2.深度迁移学习目标函数设计
3.全新场景下的迁移学习
目标掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法了解迁移学习在PDA、Source-Free DA上的应用。
六、迁移学习前沿应用
1.迁移学习在语义分割中的应用
2.迁移学习在目标检测中的应用
3.迁移学习在行人重识别中的应用
4.图片与视频风格迁移
目标掌握深度迁移学习在语义分割、目标检测、行人重识别等任务中的应用学习图像/视频风格迁移方法了解风格迁移在实际生活中的应用。
七、小样本学习、Transformer等前沿方法与应用
1.小样本学习概念与基本方法介绍
2.小样本学习应用
3.Transformer概念与基本方法介绍
4.Transformer在图像领域的应用
目标掌握小样本学习、Transformer等前沿方法和基本思想了解小样本学习、Transformer等在实际场景下的应用。
八、实验实操之实操环境搭建
1. 硬件准备GPU显存11GB以上
2. 软件准备Linux操作系统Ubuntu16.04以上显卡驱动安装512.54CUDA Toolkit10.1和cuDNN加速库7.6.4VS Code编辑器安装Jupyter Notebook
3. 编程语言和框架Python3.8.5、torch1..07、torchvision0.8.2、mmcv-full1.3.7、opencv-python4.4.0、matplotlib3.4.2、numpy1.19.2、Pillow8.3.1、scikit-learn1.0.2
4. 数据集准备Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等
注硬件准备由主办方提供云服务器
九、实验实操之深度迁移学习实践
1.掌握PyTorch中的基本原理和编程思想。
2.理解在一个新的场景或数据集下何时以及如何进行迁移学习。
3.利用PyTorch加载数据、搭建模型、训练网络以及进行网络微调操作。
4.给定迁移场景利用daib库和生成对抗技术独立完成图像分类中的领域适配。
5.迁移效果的可视化利用机器学习库scikit-learn中的t-SNE对迁移过后的高维数据进行可视化。
十、实验实操之图片与视频风格迁移实践
1.掌握基于生成对抗网络的风格迁移技术。
2.图像/视频风格迁移网络的搭建重点掌握编码器和解码器的内在逻辑和不同损失函数的运用。
3.实践红外视频转换到可见光视频的风格迁移。
十一、实验实操之自动驾驶中的跨域语义分割实践
1.掌握语义分割发展现状及代表性工作如FCNDeepLab系列等。
2.了解常用的语义分割评价指标PA、mPA、mIoU、FWIoU和常见数据集PASCAL VOC2012ADE20K、BDD100K、Cityscapes、GTA5、Dark Zurich。
3.语义分割工具箱MMSegmentaion的认识和使用。
4.设计一个分割模型能够从仿真环境中得到的数据迁移到真实场景下产生的数据。
十二、实验实操之目标检测实践
1.掌握目标检测算法的基本框架以及目标检测中的经典模型如R-CNN系列的两阶段检测模型和YOLO系列的单阶段检测模型。
2.掌握目标检测模型的评测指标IOU和mAP、标准评测数据集Pascal VOCMS COCO和Cityscapes以及检测模型中的一些训练技巧如数据增强、多尺度训练/测试、预测框微调/投票法、在线难例挖掘、软化非极大抑制、RoI对齐和集成。
3.实践基于Transformer的端到端目标检测框架的搭建并在新的数据集上与基于CNN的网络进行迁移性能的对比。
我们的官网www.chinaai.org.cn
关注微信公众号人工智能技术与咨询了解更多