转载链接：https://www.chinaai.org.cn/

韶光办法： 22年08月19日—22日 直播

1.深入理解神经网络的组成、演习和实现，节制深度空间特色分布等关键观点；

2.节制迁移学习的思想与基本形式，理解传统迁移学习的基本方法，比拟各种方法的优缺陷；

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.节制深度迁移学习的网络构造设计、目标函数设计的前沿方法，理解迁移学习在PDA、Source-Free DA上的运用；

5.节制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运用，学习图像/***风格迁移方法，理解风格迁移在实际生活中的运用；

6.节制小样本学习、Transformer等前沿方法和基本思想，理解小样本学习、Transformer等在实际场景下的运用；

7.通过实操节制图片***风格迁移，自动驾驶中的跨域语义分割，目标检测。

老师：来自中国科学院打算技能研究所、清华大学、北京理工大学等科研机构和大学的高等专家，拥有丰富的科研及工程技能履历，长期从事深度学习、迁移学习、打算机视觉等领域的传授教化与研究事情。

职员：各省市、自治区从事人工智能、机器学习、深度学习、迁移学习、打算机视觉、自然措辞处理、语音识别、图像处理、小样本分析等领域干系的企奇迹单位技能骨干、科研院所研究职员和大专院校干系专业传授教化职员及在校研究生等干系职员，以及深度迁移学习广大爱好者。

手机、微信咨询（含报名费、培训费、资料费、证书费，参加线上培训学员均可享受***录播回放权柄，及本人再次免费参加线下学习权柄）郭老师195--1112--2152（V同号）

258545206（at）***.com（需自备电脑WIN10电脑64位系统，16G及以上内存，硬盘空间预留100G）

一、机器学习简介与经典机器学习算法先容

1.什么是机器学习？

2.机器学习框架与基本组成

3.机器学习的演习步骤

4.机器学习问题的分类

5.经典机器学习算法先容

目标：机器学习是人工智能的主要技能之一，详细理解机器学习的事理、机制和方法，为学习深度学习与迁移学习打下坚实的根本。

二、深度学习简介与经典网络构造先容

1.神经网络简介

2.神经网络组件简介

3.神经网络演习方法

4.卷积神经网络先容

5.经典网络构造先容

目标：深入理解神经网络的组成、演习和实现，节制深度空间特色分布等关键观点，为深度迁移学习奠定知识根本。

三、迁移学习根本

1.迁移学习绪论

2.基于样本的迁移学习

3.基于特色的迁移学习

4.基于分类器适配的迁移学习

目标：节制迁移学习的思想与基本形式，理解传统迁移学习的基本方法，比拟各种方法的优缺陷，节制迁移学习的适用范围。

四、深度迁移学习先容

1.深度迁移学习概述

2.基于间隔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先容

5.深度领域泛化学习先容

目标：节制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，比拟各种方法的优缺陷，节制深度迁移学习的适用范围。

五、迁移学习前沿方法先容

1.深度迁移网络构造设计

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：节制深度迁移学习的网络构造设计、目标函数设计的前沿方法，理解迁移学习在PDA、Source-Free DA上的运用。

六、迁移学习前沿运用

1.迁移学习在语义分割中的运用

2.迁移学习在目标检测中的运用

3.迁移学习在行人重识别中的运用

4.图片与***风格迁移

目标：节制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运用，学习图像/***风格迁移方法，理解风格迁移在实际生活中的运用。

七、小样本学习、Transformer等前沿方法与运用

1.小样本学习观点与基本方法先容

2.小样本学习运用

3.Transformer观点与基本方法先容

4.Transformer在图像领域的运用

目标：节制小样本学习、Transformer等前沿方法和基本思想，理解小样本学习、Transformer等在实际场景下的运用。

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（512.54），CUDA Toolkit（10.1）和cuDNN加速库（7.6.4），VS Code编辑器安装，Jupyter Notebook

3. 编程措辞和框架：Python3.8.5、torch==1..07、torchvision==0.8.2、mmcv-full==1.3.7、opencv-python==4.4.0、matplotlib==3.4.2、numpy==1.19.2、Pillow==8.3.1、scikit-learn==1.0.2

4. 数据集准备：Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等

注：硬件准备由主理方供应云做事器

九、实验实操之深度迁移学习实践

1.节制PyTorch中的基本事理和编程思想。

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、演习网络以及进行网络微调操作。

4.给定迁移场景，利用daib库和天生对抗技能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***风格迁移实践

1.节制基于天生对抗网络的风格迁移技能。

2.图像/***风格迁移网络的搭建，重点节制编码器和解码器的内在逻辑和不同丢失函数的利用。

3.实践红外***转换到可见光***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.节制语义分割发展现状及代表性事情，如FCN，DeepLab系列等。

2.理解常用的语义分割评价指标（PA、mPA、mIoU、FWIoU）和常见数据集（PASCAL VOC2012，ADE20K、BDD100K、Cityscapes、GTA5、Dark Zurich）。

3.语义分割工具箱MMSegmentaion的认识和利用。

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.节制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.节制目标检测模型的评测指标（IOU和mAP）、标准评测数据集（Pascal VOC，MS COCO和Cityscapes）以及检测模型中的一些演习技巧，如数据增强、多尺度演习/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比拟。

详情可登录“中国人工智能培训网chinaai.org.cn”查看

关注“人工智能技能与咨询”，理解更多资讯！