Cupoy 1st Deep Learning & Computer Vision Marathon
學習影像處理基礎，並熟悉 OpenCV 寫作方式以及如何前處理
- OpenCV 簡介 + 顯示圖片: 入門電腦視覺領域的重要套件: OpenCV
- Color presentation 介紹 (RGB, LAB, HSV): 淺談圖片不同的表示方式
- 顏色相關的預處理 (改變亮度, 色差): 透過圖片不同的表示方式實作修圖效果
- 以圖片為例做矩陣操作 (翻轉, 縮放, 平移): 淺談基礎的幾合變換: 翻轉 / 縮放 / 平移
- 透過 OpenCV 做圖並顯示 (長方形, 圓形, 直線, 填色): 實作 OpenCV 的小畫家功能
- affine transformation 概念與實作: 仿射轉換的入門與實作: affine transform
- perspective transformation 概念與實作: 視角轉換的入門與實作: perspective transform
- Filter 操作 (Sobel edge detect, Gaussian Blur): 初探邊緣檢測與模糊圖片操作: 了解 filter 的運用
- SIFT 介紹與實作 (feature extractor): SIFT: 介紹與實作經典的傳統特徵
- SIFT 其他應用 (keypoint matching): SIFT 案例分享: 特徵配對
打好卷積神經網路的概念，並了解 CNN 各種代表性的經典模型
- CNN分類器架構：卷積層: 卷積是CNN的核心，了解卷積如何運行 就能幫助我們理解CNN的原理
- CNN分類器架構：步長、填充: 填充與步長是CNN中常見的超參數， 了解如何設置能幫助我們架構一個CNN Model
- CNN分類器架構：池化層、全連接層: 池化層時常出現於CNN結構中，而FC層則會接在模型輸出端， 了解如兩者用途能幫助我們架構一個CNN Model
- CNN分類器架構：Batch Normalization: Batch Normalization出現在各種架構中， 了解BN層能解決怎樣的問題是我們本章的重點
- 訓練一個CNN分類器：Cifar10為例: 綜合上述CNN基本觀念， 我們如何結合這些觀念打造一個CNN 模型
- 如何使用Data Augmentation: 訓練模型時常常會遇到資料不足的時候，適當的使用Image Augmentation能提升模型的泛化性
- AlexNet: 綜合之前所學的CNN觀念，認識第一個引領影像研究方向朝向深度學習的模型
- VGG16 and 19: 模型繼續進化，認識簡單卻又不差的CNN模型
- InceptionV1-V3: Inception module提供大家不同於以往的思考方式，將模型的參數量減少，效能卻提升了許多
- ResNetV1-V2、InceptionV4、Inception-ResNet: 首次超越人類分類正確率的模型，Residual module也影響了後來許多的模型架構
- Transfer learning: 學習如何利用前人的知識輔助自己訓練與跨領域學習的方法
- Breaking Captchas with a CNN: 了解如何使用CNN+CTC判定不定長度字串
學習目前最常使用的 CNN 應用案例：YOLO 物件偵測實務完全上手
- Object detection原理: 了解Object Detection出現的目的與基本設計原理
- Object detection基本介紹、演進: 了解Object Detection一路發展下來，是如何演進與進步
- Region Proposal、IOU概念: IOU是貫穿Object Detection的一個重要觀念，了解如何計算IOU對了解Object Detection中許多重要步驟會很有幫助
- RPN架構介紹: RPN是Faster RCNN成功加速的關鍵，了解RPN便能深入認識Faster RCNN
- Bounding Box Regression原理: 所有的Object Detection模型都需要做Bounding Box的Regression，了解其是如何運作的能幫助我們更認識Object Detection
- Non-Maximum Suppression (NMS)原理: 所有的Object Detection模型都有Non Maximum Suppression的操作，了解其是如何運作的能幫助我們更認識Object Detection
- 程式導讀、實作: 了解如何搭建一個SSD模型
- YOLO 簡介及算法理解: 了解 YOLO 的基本原理
- YOLO 細節理解 - 網路輸出的後處理: 理解網路輸出的後處理，執行nms的過程
- YOLO 細節理解 - 損失函數: 認識YOLO損失函數設計架構與定義
- YOLO 細節理解 - 損失函數程式碼解讀: 講解YOLO損失函數程式碼
- YOLO 細節理解 - 網路架構: 了解YOLO網絡架構的設計與原理
- YOLO 細節理解 - 網路架構程式碼解讀: 講解YOLO網絡架構程式碼
- YOLO 演進: 簡單了解 YOLO 的演進
- 使用 YOLOv3 偵測圖片及影片中的物件: 了解如何基於現有的 YOLOv3 程式碼客制化自己的需求
- 更快的檢測模型 - tiny YOLOv3: 了解如何使用 tiny YOLOv3 來滿足對檢測速度的需求
- 訓練 YOLOv3: 了解如何訓練 YOLOv3 檢測模型
人臉關鍵點檢測及其應用
- 人臉關鍵點-資料結構簡介: 探索 kaggle 臉部關鍵點資料
- 人臉關鍵點-檢測網路架構: 學習用 keras 定義人臉關鍵點檢測的網路架構
- 訓練人臉關鍵點檢測網路: 體會訓練人臉關鍵點檢測網路的過程
- 人臉關鍵點應用: 體驗人臉關鍵點的應用 - 人臉濾鏡
- Mobilenet: 輕量化模型簡介 (MobileNet)
- Ｍobilenetv2: MobileNet v2 簡介
- Tensorflow Object Detection API: Tensorflow Object Detection API使用方式