深度学习与计算机视觉实战-教学大纲.docx

《深度学习与计算机视觉实战-教学大纲.docx》由会员分享，可在线阅读，更多相关《深度学习与计算机视觉实战-教学大纲.docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、深度学习与计算机视觉实战教学大纲课程名称：深度学习与计算机视觉实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论40学时，实验24学时）总学分：4.0学分一、课程的性质随着人工智能的发展，计算机视觉作为人工智能的一个重要分支，已经被成功应用到人 脸识别、目标检测、道路场景分割、图像超分辨率等领域，被大多数人熟知和应用。深度学 习在计算机视觉的应用效果一骑绝尘，频频刷新传统图像处理方法在计算机视觉领域创造的 记录。能够熟练应用深度学习技术且具有实践经验的计算机视觉人才已经成为了各企业争夺 的热门。为了推动我国大数据，云计算，人工智能行业的发展，满足日益增长的计算机视觉 人

2、才需求，特开设深度学习与计算机视觉实战课程。二、课程的任务通过本课程的学习，使学生学会使用Python进行图像处理基本操作和处理深度学习视 觉基础任务，并详细拆解学习人脸识别、目标检测、道路场景分割、图像超分辨率等案例, 将理论与实践相结合，为将来从事计算机视觉研究、工作奠定基础。三、课程学时分配序号教学内容理论学时实验学时其它1笫1章概述212第2章图像处理基本操作623第3章深度学习视觉基础任务844第4章基于CNN人脸识别实战645第5章基于Faster R-CNN的目标检测实战646第6章基于U-Net的城市道路场景分割实战647第7章基于SRGAN的图像超分辨率技术实战64总计402

3、4四、教学内容及学时安排1.理论教学序 号章节名称主要内容教学目标学时1概述1 .计算机视觉的发展历程2 .深度学习的发展历程3 .计算机视觉常见的应用领域4 .常见的深度学习框架5 .常用的图像处理库1 .了解计算机视觉 的发展历程2 . 了解深度学习的 发展历程3 .了解计算机视觉 常见的应用领域4 . 了解常见的深度 学习框架5 .了解常用的图像 处理库22图像处理基本 操作1 .常见图像类型2 .读取图像3 .显示图像4 .保存图像5 .常用颜色空间6 .颜色空间转换7 .图像几何变换8 .图像增强1 .了解数字图像数 据表示形式和常见 的图像类型2 .掌握图像的读写 操作3 ,掌握常

4、用的不同 颜色空间互相转换 的方法4 .掌握常用的图像 几何变换方法5 .掌握常用的图像 增强方法63深度学习视觉 基础任务1 .深度神经网络的基本结构2 .卷积神经网络的基本结构3 .卷积神经网络的训练过程4 .图像分类的经典深度神经网络算 法5 .训练图像分类网络的方法6 .目标检测的经典深度神经网络算 法7 .训练目标检测网络的方法8 .图像分割的经典深度神经网络算 法9 .训练图像分割网络的方法10 .图像生成的经典深度神经网络算 法11 .训练图像生成网络的方法1 . 了解深度神经网 络和卷积神经网络 的基本结构和原理2 .掌握经典的基于 深度学习的图像分 类的实现方法3 .掌握经典

5、的基于 深度学习的目标检 测的实现方法4 ,掌握经典的基于 深度学习的图像分 割的实现方法5 .掌握经典的基于 深度学习的图像生 成的实现方法84基于CNN人脸 识别实战1 .人脸识别技术的发展历程和实现 方案2 .实现人脸识别的流程3 . MTCNN人脸检测算法的原理和实 现方法4 .人脸姿态矫正对齐的方法5 .提取人脸特征的方法6 .匹配人脸特征的方法7 .评价人脸识别效果的方法1 .了解人脸识别技 术的发展历程和实 现方案2 ,熟悉实现人脸识 别的流程3 .掌握MTCNN人 脸检测算法的原理 和实现方法4 .掌握人脸姿态矫 正对齐的方法5 .掌握三元组损失 (TripletLoss)的基

6、 本原理并训练卷积 网络6 ,掌握人脸特征距 离的计算方法7 .掌握人脸识别技 术的评价指标65基于 Faster R- CNN的目标检 测实战1 .目标检测的背景和目标2 .实现目标检测的流程3 . VOC 2012数据集的结构4 .定义Faster R-CNN配置信息类的 方法5 .生成先验锚框的方法6 . FasterR-CNN损失函数的作用和原 理7 .目标检测算法的性能评估指标1 . 了解目标检测的 背景和目标2 .掌握 PASCAL VOC数据集的标注 样本格式，并批量处 理 PASCAL VOC 数 据集标注样本3 .掌握定义Faster R-CNN配置信息函 数的方法4 .掌握

7、生成先验锚 框的方法，并根据不 同的检测对象特性 调整先验锚框的生 成策略5 .了 解 Faster R- CNN损失函数的作 用和原理6 ,掌握目标检测算 法的性能评估指标 的构建方法66基于U-Net的 城市道路场景 分割实战1 .语义分割的基本概念和应用2 .实现图像分割的流程3 . CamVid数据集的读取方法4 .搭建U-Net的方法5 .语义分割网络损失函数的设计方 法6 .评价语义分割算法的方法1 .了解语义分割的 基本概念和应用2 .掌握CamVid数 据集的读取方法3 .掌握U-Net的设 计方法4 .掌握语义分割网 络损失函数的设计 方法5 ,掌握评价语义分 割算法的方法6

8、7基于SRGAN的 图像超分辨率技 术实战1 .常用的图像超分辨方法2 .不同图像超分辨方法的区别和特 性3 .图像超分辨率的流程4 . DIV2K数据集的读取方法5 .生成器和判别器的搭建方法6 .生成器损失和判别器损失函数7 .评价图像超分辨率模型的方法1 .了解常用的图像 超分辨方法，以及不 同图像超分辨方法 的区别和特性2 .熟悉基于SRGAN 实现图像超分辨率 的流程和步骤3 .掌握DIV2K数据 集的读取方法4 ,掌握搭建生成器 和判别器的方法5 . 了解生成器损失 和判别器损失的设 计6 .掌握评价图像超 分辨率模型的方法6学时合计402.实验教学序号实验项目名称实验要求学时1P

9、ython深度学 习环境搭建1 .创建环境2 .激活创建好的环境3 .安装 TensorFlow12图像处理基本 操作1 .读取图像2 .显示图像3 .保存图像4 .转换颜色空间5 .图像平移6 .图像缩放7 .图像旋转28 .图像仿射9 .灰度级修正10 .图像平滑11 .图像锐化3深度学习视觉 基础任务1 .搭建和训练ResNet50网络2 .搭建和训练YOLOv3网络3 .搭建和训练Mask R-CNN网络4 .搭建和训练WGAN网络44基于CNN人脸 识别实战1 .人脸检测2 .人脸对齐3 .搭建网络并训练，提取人脸特征4 .定义人脸特征匹配函数实现人脸特征匹配5 .分析结果45基于

10、Faster R- CNN的目标检 测实战L生成数据集索引文件2 .定义配置信息类3 .生成先验锚框4 .定义损失函数5 .训练网络6 .分析结果46基于U-Net的 城市道路场景 分割实战1 .加载数据集2 .搭建网络3 .定义损失函数4 .训练网络5 .分析结果47基于SRGAN的 图像超分辨率 技术实战1 .加载数据2 .搭建网络3 .定义损失函数4 .训练网络5 .分析结果4学时合计24五、考核方式突出学生解决实际问题的能力，加强过程性考核。课程考核的成绩构成=平时作业 （10%） +课堂参与（20%） +期末考核（70%）,期末考试建议采用开卷形式，试题应包括 基本概念、图像处理基本操作、深度学习视觉基础任务、人脸识别、目标检测、图像分割、 图像超分辨率等部分，题型可采用判断题、选择、简答、应用题等方式。六、教材与参考资料1.教材彭小红，张良均.深度学习与计算机视觉实战M.北京：人民邮电出版社.2022.2.参考资料1 Jan Erik Solem,索利姆，朱文涛，等.Python计算机视觉编程M.人民邮电出版社, 2014.2弗朗索瓦肖莱,张亮等.Python深度学习M.人民邮电出版社,2018.3 Rafael C Gonzalez,阮秋琦等.数字图像处理M.电子工业出版社,2011.4 Ian Goodfellow.赵申剑等.深度学习M.人民邮电出版社,2017.