深度學習之目標檢測常用演算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文字檢測 / 多工網路

資源獲取連結：點選這裡

• 第1章 課程介紹

  本章節主要介紹課程的主要內容、核心知識點、課程涉及到的應用案例、深度學習演算法設計通用流程、適應人群、學習本門課程的前置條件、學習後達到的效果等，幫助大家從整體上了解本門課程的整體脈絡。

  • 1-1 課程導學

• 第2章 目標檢測演算法基礎介紹

  本章節主要介紹目標檢測演算法的基本概念、傳統的目標檢測演算法、目前深度學習目標檢測主流方法（one-stage、two-stage、多工網路）、相關演算法的基本流程、演算法效能的評價指標、不同演算法的優缺點和效能比較等，並結合實際的應用場景和案例來介紹目標檢測演算法的重要性和實用性。...

  • 2-1 目標檢測問題定義
  • 2-2 目標檢測問題方法
  • 2-3 傳統目標檢測方法基本流程
  • 2-4 常見傳統目標檢測方法-Viola-Jones（人臉檢測）
  • 2-5 常見傳統目標檢測方法-HOG+SVM（行人檢測、Opencv）
  • 2-6 常見傳統目標檢測方法-DPM（物體檢測）
  • 2-7 常見傳統目標檢測方法-Sofe-NMS（非極大值抑制演算法）
  • 2-8 Two-stage基本介紹，流程與常見演算法
  • 2-9 Two-stage核心元件
  • 2-10 One-stage基本介紹、流程與常見演算法
  • 2-11 One-stage核心元件
  • 2-12 One-stage與Two-stage優缺點對比
  • 2-13 思考題

• 第3章 SSD系列演算法原理精講

  本章節主要針對SSD系列目標檢測演算法原理進行介紹，其中涉及到了one-stage目標檢測演算法流程，SSD及其變種網路（DSSD、DSOD、FSSD、RSSD等）的核心思想、主幹網路設計思想、框架結構、Default box、Prior box、樣本構造、資料增強、損失函式，對比不同演算法優缺點以及介紹演算法應用場景等。...

  • 3-1 SSD系列演算法介紹（主幹網路、多尺度Feature Map預測）
  • 3-2 Prior Box Layer、樣本構造、損失函式介紹
  • 3-3 DSSD、DSOD演算法
  • 3-4 FSSD、RSSD演算法
  • 3-5 思考題

• 第4章 基於SSD的人臉檢測專案實戰

  本章節以人臉檢測實際業務場景為例，利用SSD來解決人臉檢測問題，涉及到了Wider Face資料集介紹、VOC資料集格式、打包、SSD框架解讀、環境搭建、SSD-Face人臉檢測模型訓練、測試等內容，幫助大家從實際案例的角度出發，快速入門SSD演算法框架的實戰專案。...

  • 4-1 人臉業務場景介紹（常見問題、標註方法、演算法效能好壞、人臉採集常用方法）
  • 4-2 Wider Face資料集介紹、標註格式、下載等
  • 4-3 Wider Face資料集介紹
  • 4-4 Wider Face資料集轉VOC格式資料集程式設計實現
  • 4-5 使用Caffe-SSD打包Wider Face為LMDB格式樣本實操
  • 4-6 Caffe-SSD框架搭建及訓練指令碼解讀
  • 4-7 Caffe-SSD人臉檢測模型訓練實操講解
  • 4-8 Caffe-SSD框架主幹網路指令碼講解+實操
  • 4-9 Caffe-SSD框架訓練指令碼講解+實操
  • 4-10 Caffe-SSD框架模型測試介紹與指令碼程式設計實現
  • 4-11 Caffe-SSD框架測試結果視覺化與人臉檢測技巧說明
  • 4-12 思考題

• 第5章 Faster RCNN系列演算法原理精講

  本章節主要針對Faster RCNN系列目標檢測演算法原理進行介紹，其中涉及到了two-stage目標檢測演算法流程、從RCNN到Faster RCNN以及Faster RCNN的系列變種網路（HyperNet、RFCN、Light-Head RCNN、Mask-RCNN、Cascade RCNN、CoupleNet）的核心思想、主幹網路設計思想、框架結構、RPN網路、OHEM、Soft-NMS等，對比不同演算法優...

  • 5-1 Faseter-Rcnn系列介紹
  • 5-2 RCNN介紹
  • 5-3 SPPNet介紹
  • 5-4 Fast rcnn介紹
  • 5-5 HyperNet、RFCN介紹
  • 5-6 Light-Head RCNN、Mask-RCNN介紹
  • 5-7 Cascade RCNN、CoupleNet、OHEM、Soft-NMS介紹
  • 5-8 思考題

• 第6章 基於Faster RCNN的ADAS場景目標檢測專案實戰

  本章節以ADAS實際業務場景為例，利用Faster RCNN來解決機動車、非機動車、行人等駕駛場景中的目標檢測問題，涉及到Kitti資料集介紹、VOC格式資料轉換、Faster rcnn框架解讀、環境搭建、Faster rcnn-ADAS目標檢測模型訓練、測試等內容，幫助大家從實戰的角度快速掌握Faster RCNN系列演算法框架的使用。...

  • 6-1 ADAS業務場景介紹
  • 6-2 Kitti資料集介紹、標註格式、下載等
  • 6-3 Kitti資料集類別提取程式設計實現
  • 6-4 Kitti資料集轉VOC格式資料指令碼程式設計實現
  • 6-5 Faster RCNN目標檢測模型環境搭建介紹
  • 6-6 Faster RCNN目標檢測環境搭建實操
  • 6-7 Faster RCNN目標檢測框架介紹
  • 6-8 Faster RCNN目標檢測框架訓練指令碼引數配置介紹
  • 6-9 Faster RCNN目標檢測框架配置修改實操
  • 6-10 Faster RCNN目標檢測模型訓練及其優化
  • 6-11 利用Faster RCNN測試指令碼進行模型測試
  • 6-12 自己動手程式設計實現Faster RCNN模型測試指令碼
  • 6-13 思考題

• 第7章 YOLO系列演算法原理精講

  本章節主要針對YOLO系列目標檢測演算法原理進行介紹，其中涉及到了演算法基本流程、主幹網路結構、設計思路、YOLOV1/V2/V3/9000、Anchor Boxes、Multi-Scale Training、Darknet-19網路、Darknet框架等，對比不同演算法優缺點和模型效能等。

  • 7-1 Yolov1演算法
  • 7-2 Yolov2演算法（1）
  • 7-3 Yolov2演算法（2）
  • 7-4 Yolo9000演算法
  • 7-5 Yolov3演算法
  • 7-6 思考題

• 第8章 基於YOLOV3的通用物體檢測專案實戰

  本章節以通用物體檢測（coco）實際業務場景為例，利用YOLOV3來解決通用物體檢測問題，涉及到coco資料集介紹、darknet框架解讀，環境搭建、YOLOV3-coco通用物體檢測模型訓練、測試等內容，幫助大家瞭解理論的前提下，快速入門YOLO系列演算法實戰專案。...

  • 8-1 物體檢測業務場景綜述
  • 8-2 COCO資料集介紹、標註格式、下載指令碼等
  • 8-3 YOLOV3DarkNet框架介紹和環境搭建
  • 8-4 DarkNet框架解讀及相關配置說明
  • 8-5 利用DarkNet框架進行YOLOV3模型訓練實操
  • 8-6 YoloV3檢測模型的測試介紹及程式設計例項
  • 8-7 思考題

• 第9章 文字檢測系列演算法原理精講

  本章節主要針對文字檢測系列演算法原理進行介紹，其中涉及到了演算法基本流程、傳統的文字檢測演算法（Top-down、bottom-up）、物體檢測演算法VS文字檢測演算法、文字檢測演算法優化方向、常用文字檢測演算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文字檢測資料集（ICDAR、CTW、RCTW-...

  • 9-1 文字檢測演算法原理介紹
  • 9-2 CTPN模型
  • 9-3 RRPN模型
  • 9-4 FTSN模型
  • 9-5 DMPNet模型
  • 9-6 EAST模型
  • 9-7 SegLink模型
  • 9-8 PixelLink模型
  • 9-9 Textboxes講解
  • 9-10 Textboxes++模型介紹
  • 9-11 文字檢測常見資料集
  • 9-12 其他檢測模型方法介紹
  • 9-13 思考題

• 第10章 基於EAST的自然場景文字檢測專案實戰

  本章節以自然場景下的文字檢測實際業務場景為例，利用EAST框架來解決文字檢測問題，涉及到ICDAR資料集介紹、ICDAR資料下載、標註格式解讀、EAST框架解讀、環境搭建、模型訓練、測試等，幫助大家從實際案例的角度出發，快速入門文字檢測演算法框架的實戰專案。...

  • 10-1 自然場景下文字檢測業務場景綜述
  • 10-2 ICDAR資料集介紹、標註格式、下載等
  • 10-3 EAST文字檢測框架環境搭建
  • 10-4 EAST文字檢測框架解讀與訓練實操
  • 10-5 EAST文字檢測模型測試指令碼程式設計例項
  • 10-6 思考題

• 第11章 多工網路原理介紹

  本章節主要針對文字檢測系列演算法原理進行介紹，其中涉及到了演算法基本流程、傳統的文字檢測演算法（Top-down、bottom-up）、物體檢測演算法VS文字檢測演算法、文字檢測演算法優化方向、常用文字檢測演算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文字檢測資料集（ICDAR、CTW、RCTW-...

• 第12章 基於人臉檢測+關鍵點定位的多工網路專案實戰

  本章節以人臉檢測+關鍵點定位的實際業務場景為例，利用MTCNN多工網路來解決多個任務的資料打包、環境搭建、模型訓練、測試等實戰專案，幫助大家從實際案例的角度出發，快速入門多工網路的實戰專案。

• 第13章 課程總結

  針對課程進行最後總結，回顧課程核心內容，分享目標檢測行業實戰經驗，再次幫助大家理清學習內容進一步的給出後續學習和提升給出建設性意見。

   

  資源獲取連結：點選這裡