ec

 

AI Deeplearning CV 743x357

課程介紹

影像辨識領域是近年來深度學習最蓬勃發展的一塊領域,舉凡智慧家居、自駕車、生產瑕疵品檢測、安防監控、醫療影像等應用,都和深度學習影像辨識技術息息相關。而如果想從深度學習中的影像辨識模型得到一個理想的結果(高準確率),影像資料的預處理/前處理,是非常重要的關鍵之一。

有效的影像前處理/預處理,意味著透過專業的影像處理技巧,降低影像中的雜訊(noise),讓模型進行特徵提取時能更精準,降低運算資源的負擔,模型的精準度才會高。

本課程全程實作導向,由產業資深講師引領你掌握必會的影像處理技巧,接著教你深度學習卷積神經網絡(Convolutional Neural Networks,CNN)在影像處理的各種應用。完整的範例程式碼加上講師詳細的講解,幫助你更容易理解各種方法的原理。上機實戰演練,從實做中,讓你自然而然地了解CNN各種方法的架構與程式指令,不再似懂非懂,而是能快速的將所學到的技術應用在自己有興趣的視覺處理領域。

課程特色

特色一:用實作讓你對影像辨識的技術豁然開朗
本課程強調"How to",用一些明顯易懂的觀念,讓你能掌握機器學習最核心的觀念與技術本質。為了提升學習的"有感度",於每一個原理和演算法解說後,都會搭配實際程式範例,來進行上機實作演練。透過講師Step by Step講解,你將可以快速學會電腦視覺與深度學習的應用方法,包含影像處理、影像變換、特徵檢測與影像辨識等。不再讓您上完課,好像知道很多東西可是卻又不知道從何開始。

特色二:縮短專案時程,確保產出
影像辨識在電子、資訊、金融、零售、醫療、通訊、物流等領域如火如荼的發展,你都可能透過深度學習解決過去難以解決的影像辨識問題。然而這些演算法也並非就是萬靈丹,尤其在資料科學領域,在不對的問題上找答案,往往都是徒勞無功。也許您正在或是未來將接觸AI相關工作,實務上可能會遇到的問題也都可以拿來和講師多交流討論,也將有助於縮短專案時程,確保產出。

特色三:產業AI工程師實務親授
本課程由業界資深工程師親授,將多年的實務開發經驗淬鍊在教學內容中,幫助學員快速掌握技術關鍵,跨越自學卡關的障礙,節省寶貴時間,能迅速投入於你有興趣的電腦視覺領域,像是ROS機器人開發、自駕車演算法開發、醫療影像識別等。

學習目標

1.熟悉數位影像於電腦中的表現形式(儲存格式、讀取及寫入、像素運算…)和影像處理方法(影像去雜訊、影像品質增強、影像重採樣…)。

2.理解並能實作數位電腦視覺 (影像特徵提取、特徵強化、輪廓萃取、卷積運算、型態學運算、分水嶺演算法、距離轉換…) 原理應用與具備活用 OpenCV 函式庫之能力,包含:影像處理、影片(視訊)處理、高階 GUI 工具(圖形互動介面)、Image Processing 演算法實務、Computer Vision 演算法實務。

3.融會貫通基礎演算法及函示庫工具,並且有能力實作自己的視覺演算法或影像分析模型 (Prototype)

4.會深度學習架構與實務常見應用方法(VGG16、VGG19、ResNet50、InceptionV3…)

5.學會用TensorFlow、Keras實現影像處理應用(人臉識別、物件識別…)並了解整個影像處理流程。

適合對象
  • 對電腦視覺與深度學習有興趣的您。
  • 即將投入深度學習電腦視覺應用的工程師或專案人員,欲將電腦視覺深度學習方法應用在工作上 ,像是AOI(自動光學檢測)、自駕車、人臉識別、車輛識別、VR/AR、安防、機器人開發…。
  • 正從事深度學習的電腦視覺應用的工程師或專案人員,想了解如何加快開發流程的技術。
  • 想學會電腦視覺演算法撰寫、測試與調校的您。
  • 沒相關背景但對電腦視覺有興趣,或是接觸過卻似懂非懂,不知如何開始的學員。

★本課程沒有高深複雜的數學原理,只要具備簡單高中數學基礎即可,依照老師教學進度Step by Step學習,就可以自然而然地學會影像辨識的觀念與技術。

ai-edge
課程大綱
主題 內容
影像處理必懂觀念與作業環境建置教學
  • 影像處理觀念介紹
    • 數位影像的生成與結構
  • OpenCV介紹與環境建置
    • OpenCV函式庫實務應用說明與演示
    • 環境設置與必會指令實作(最新版本OpenCV-3.x、4.x)
  • 影像格式與資料結構
    • 影像格式與基本資料型態說明
  • 影像檔案讀取、儲存
  • 影像通道轉換
  • 色彩空間轉換 (原理 & 實作)
影像前處理/預處理與電腦視覺實戰
  • 電腦視覺概述
    • 產業趨勢分享與解析 & 從事影像演算法研發人員在產業中的定位
  • 像素層級運算 (Pixel Level)
    • OpenCV Data Type結構深入理解
  • 影像前處理 (原理 & 實作)
    • 影像二值化 、閾值分析、影像去雜訊、影像模糊、影像強化、影像縮放、影像模板匹配
  • OpenCV 使用者介面事件 (高階 GUI)
    • 滑鼠與滑桿事件處理
  • OSD繪圖
  • OSD文字處理
  • ROI處理
  • 卷積運算 理論 &實務
    • 型態學運算、輪廓搜尋 & 提取、邊緣偵測
  • 從影像處理到電腦視覺(原理 &實作)
    • Image Feature Extraction
    • 直線偵測 (原理 &實作)
    • 圓形偵測 (原理 &實作)
    • 角點偵測 (原理 &實作)
    • 影像物件計數、影像物件分析
  • 從影像到影片 Video Processing&Analysis
    • 影片資料處理
    • 攝影機取像 、運算 、儲存
    • 視訊檔案讀取
    • 取得視訊屬性
  • OpenCV人臉偵測[ Face Detection ]
    • 人臉偵測&事件處理
    • 人臉偵測&動態影像
  • [ 邁向人工智慧之路 ] 從電腦視覺到深度神經網路
    • OpenCV 結合 DNN (Deep Neural Network)
  • 【專題實作-車牌辨識系統】
    • 手把手帶你打造自己的影像辨識演算法
  • 【追古朔今】OpenCV版本差異
認識人工智慧與機器學習實作
  • 人工智慧導論
  • 熱門AI應用介紹
  • 名人講堂-導入AI方法
  • 機器學習演算法整合實作
    • 資料分析流程與實務經驗談
    • 精解常見機器學習模型特色與使用時機:Regression 迴歸(正規化與回歸Ridge Regression & Lasso Regression)、生成模型與判別模型、羅吉斯迴歸(Logistic Regression)、單純貝式分類器(Naive Bayes Classifier)、支持向量機(Support Vector Machine)、決策樹(Decision Trees) 、隨機森林(Random Forests)、最近距離分群法(KNN)、K-means等
    • 機器學習模型訓練資料建立方法
      • 如何避免過擬合(Overfitting) & 欠擬合(Underfitting)
      • 交叉驗證法(Cross Validation) & 拔靴驗證法(Bootstrap Validation)
    • 資料前/預處理基於機器學習中之關鍵
      • 資料標準化(Standardization)說明與標準化套件(Scaler)教學
      • 降維(Dimension Reduction):主成分分析(PCA)
        • 主成分分析(PCA) vs T-SNE
      • L0、L1、L2正則化效果實作與說明
    • 判斷模型預測能力的方法:混淆矩陣、準確率(Precison)、覆蓋率(Recall,也叫作召回率)、皮氏F-分數(Piotroski F-Score ,FSC)、ROC曲線、AUC曲線
    • 主題實作:房價預測、信用卡欺詐檢測、速食店銷售預測、工廠預防性維寶之CNC工具磨耗檢測、Titanic鐵達尼號生存率預測、共享單車租借輛預測分析等。
神經網路與深度學習應用實戰
  • 深度學習導論
    • 機器學習 vs 深度學習
    • Deep Learning常用GPU介紹:Nvidia GTX 1080Ti…
    • GPU配置教學與效能評估
    • 框架介紹(TensorFlow、Keras、CUDA… )
  • 開發環境建置與操作 - Google Colaboratory
    • Google GPU環境設定教學 & 常用指令
  • 神經網路與深度學習架構
    • Deeper Neural Network (DNN)說明:
      • Neural Network 的原理與架構:Neuron(神經元)、Perceptron(感知器)
      • Activation Function(激勵函數): Relu、Sigmoid、tanh…
      • Optimization(最佳化):線性回歸、Gradient Descent(梯度下降法)、SGD(隨機梯度下降法)、Momentum(動量法)、Adam(適應性矩估計)…
      • 過擬合(Overfitting)處理:Dropout、Regularization
      • 存入與讀取模型(model)與權重(weights)
      • 主題實作:神經網路實作、MNIST手寫數字辨識、CIFAR-10實作、乳腺癌診斷分析
  • 常見深度學習模型解說與演練
    • 卷積神經網路(CNN)
      • 原理與架構說明: Convolutional Layer (卷積層)、Pooling Layer (池化層)、Fully Connected Layer (全連階層)
      • 常用模型應用說明:VGG16、VGG19、ResNet50、InceptionV3
      • 其他方法說明:Backpropagation(反向傳播法)、Autoencoder
      • CNN與影像辨識實務應用說明:分類(Classification)、Semantic按語意切割(Segmentation)、定位(Classification + Localization)、物體偵測(Object Detection)、實體切割(Instance Segmentation)。
      • 主題實作:卡通圖像角色辨識、模型實作(載入模型、訓練模型、新建模型、調整參數、績效評估、Fine-tuning)、圖片辨識、圖片去雜訊
    • 遞歸神經網路(RNN)
      • 原理與架構說明
      • Gradient Vanish(梯度消失)
      • LSTM(Long Short-Term Memory)模型說明
      • Early Stopping
      • 應用說明:時間序列(Time series)、詞向量(word vector / word
      • 主題實作:美國國際航空乘客量分析、情緒分析、中英翻譯
    • 遷移式學習(Transfer Learning)
      • 原理說明:Keras後端函數應用、反轉梯度
      • 主題實作:梵谷畫作風格轉換
    • 生成對抗網路(GAN,Generative Adversarial Networks)
      • 生成器 (Generator) 和鑑別器 (Discriminator)
      • 改進的版本介紹:DCGAN(Deep Convolutional Generative Adversarial Networks)
    • 強化學習(Reinforcement Learning)
      • 原理說明:自動進行決策,並且可以做連續決策
      • 四個元素:agent、環境狀態、行動、獎勵
      • Q-Learning解說
        • 逆向增強式學習 (Inverse Reinforcement Learning)
        • 主題解說:訓練電腦玩遊戲、機器人運動控制
    • 推薦系統(Recommender Systems)
    • 發展與部署深度學習系統時,在操作層面上的考量
  • 深度學習應用主題解說
    • 交通號誌辨識
      • 使用OpenCV進行影像預處理(通道轉換、標準化、資料增加…)
      • CNN model實作解說
    • 主題式物件辨識(object detection)
      • 影像Lable方法解說
      • YOLO模型教學
      • YOLO模型實作解說
    • 人臉辨識
      • 人臉偵測 mtcnn(Multi-task Cascaded Convolutional Networks)、opencv、dlib套件解說
      • 資料前處理:人臉轉換、對齊與裁剪…
      • 人臉特徵擷取(使用FaceNet的模型與演算法)
      • 人臉特徵比對 (使用LinearSVC的分類演算法)
    • 在iPhone上用YOLO model實現人臉偵測
      • iOS開發介面簡介
      • YOLO model 移植教學
    • 不均衡數據處理與奇異值分析(novelty detection / Outlier Detection)實作
      • 產線數據分析與課程所學之應用設計
  • 實務問題與解決方案探討
PS.實戰演練的範例將會依據產業界的實際狀況進行調整

應用實例

車牌辨識

自駕車系統

手勢追蹤

人臉辨識

上課花絮
op image 4opencv deeplearning pd3.png YOLO deeplearning pd3opencv deeplearning pd4.png
業界師資
teacher 1 1

Elvis

▪ 美國聖路易大學生物資訊博士

▪ 知名國際3C製造大廠人工智慧研發部門主管

▪ 生物資訊 / 自然語言處理 / 統計推論 / 科學計算 / 數據科學 / 資料探勘 / 數值最佳化 / 資料庫 巨量資料處理 / 機器學習

teacher 1 1

Jeffery

▪ 台灣大學土木工程研究所博士

▪ 知名上市資訊科技大廠大數據部門研發主管

▪ 類神經網路 / 基因演算法 / 最佳化演算法 / 結構力學 / 有限元素法 / 生醫影像處理

teacher 1 1

Tim

▪ 輔仁大學應用科學與工程研究所博士

▪ 知名上市電子消費品大廠AI研發部門資深工程師

▪ 機器學習 / 機器人開發 / 密碼學 / 影像壓縮 / 數位訊號處理 / 生醫資訊/生醫影像處理

teacher 1 1

Lau

▪ 中正大學電機工程碩士 ▪ 國內記憶體龍頭廠:研發技術副理

▪ 知名新創影像分析公司:技術顧問/電腦視覺科學家

▪ Computer Vision ▪ OpenCV影像處理與電腦視覺

▪ 嵌入式Linux系統、C/C++、GPGPU 技術 (nVidia CUDA)

影像處理領域的三個層次

AI computervision imageprocessing

影像處理核心技術
IT VIP
延伸學習

 

FPGA 728x90

課程諮詢
 
常見問題

1.如果是非理工相關背景的學員可以參加本堂課嗎?
共享經濟時代來臨,除了本業,你還擁有什麼?除了職稱,你還有沒有比名片更亮眼的故事?不是迫於生存,而是不甘平庸!越來越多人不再滿足於單一職業和身分的束縛,AI風潮席捲,越來越多非理工背景的產業菁英投入AI技能的培養。本課程以模組實作式的教學,透過每次的原理講解與實作,循序漸進地帶你自然而然地學會個階段技能。透過講師的豐富經驗,幫助你節省寶貴時間,快速跨越自學的障礙。只要你能配合老師的教學安排,勤加練習,不怕學不會。

2.不會寫程式可以參加本課程嗎?
程式是幫助你實現想法的工具,根據許多程式高手的經驗分享,想學好程式,從你有興趣的應用開始,是最有成效的。如果你對電腦視覺與影像處理的領域有興趣,本課程的每個練習都附有完整的範例碼,講師也會清楚地講解重要的觀念,讓你從實作中,逐漸了解各種應用內涵,幫助你自然而然地學會程式語言。若你還想學習更深的程式技能,課程顧問也會協助你挑選最合適的方案。只要你願意全心全意地學習,在艾鍗專業的教學安排下,不怕學不會。

3.我想了解更多影像相關技術,還有哪些資源?

歡迎至影像技術文章專區   請點我

tesseral 06 pd

 

 

AI深度學習與影像辨識 假日進修班開課日期:108/09/22(日)上課時間:09:30~17:30 課程時段:假日班7/31前早鳥優惠,欲洽從速!