优质推荐 | 你必须挑战的2019年CV无人驾驶项目

近期小编在AI相关社群内做了个调查，结果出乎意料，有将近45%的同志一致选择期望从事无人驾驶技术相关工作。

仔细想想，确实是要说人工智能技术能让你做到最爽的事情，那还真的莫过于无人驾驶了。一个真正能够帮助到我们解决实际问题的技术，再加上他是真的很炫酷。

昨天在CV无人驾驶技术交流群里的一位小伙伴晒出了他的一个小项目，“无人驾驶中的方向盘自动操控技术”，之后群里就沸腾了！

盼盼

刚做的项目“无人驾驶中的方向盘自动操控”求赞

我觉得方向盘自动操控的技术华而不实，做技术要务实一点，来看看我做的交通指示牌识别的实验结果吧。(●ˇ∀ˇ●) 王小龙 贝贝 图像识别这么简单的项目还敢拿出来说。(ˉ▽￣～) 切~~到底什么技术才是更实用呐？ 胡一刀 胡娜 我认为目标检测不光是一项必备技术，更是可以采用多方式实现的。 这是我刚刚完成了无人驾驶目标检测项目，请大家查阅！( •̀ ω •́ )✧用R-CNN做的方式太老套。虽说效果不错，但是一点挑战性都没有，还是得看看我用SSD跑出来的效果，那才叫有水平，以图为证。 张小军 晓菲 这些技术都太片面了，一个深度学习CV方面的技术就让你们满足了？还是来看看我的Image Captioning吧，一个项目融合了CV与NLP，这才叫真正的综合应用。你这个不就是个玩具技术吗？看图说话，这个有啥用呀？ 大周 群主

为图像产生文字描述可以用于图像搜索，比如你在搜索引擎汇总搜索“在桌上的猫”，出现的结果是你需要的，这就是看图说话技术的功劳了。

此技术更多的可以用于为视频生成描述, 进一步可以支持视频检索, 例如一个用户可以搜索: 舌尖上的中国里面藏族小伙爬树取蜂蜜的场景. 然后系统自动在视频里面找多处对应的场景，几分几秒对应的视频时间点.

更为实际一点的应用是在于监控系统中, 例如自动描述图像内容, 如果产生的描述为: 有一个中年男子正在偷东西。计算机可以自动报警，通过这样落地让Image Captioning这项技术，真正的能够被使用在生活汇总。

大周

你获得了一亿元（你的钱包空间已不足，请把钱花光以后再来领取。）

网友：请问群号多少？✪ ω ✪

↓
↓

贪心学院CV训练营二期纳新了

用最新的模型 做最酷的项目

贪心学院《CV深度学习集训营二期》课程，在原有基础上做了大幅度理论与项目的调整更新。可以认为是目前在全网最具有挑战性和趣味性的课程体系，甚至要高出斯坦福、MIT、CMU已有的课程体系。如果你喜欢挑战，想在AI学习、从业的路上拥有“质”的提升，我相信这个集训营你一定不会错过。

无人驾驶类项目		核心方法	知识点
1	交通指示牌识别	CNN传统方法	1. 卷积神经网络 2. 图像增强 3. 判断网络过拟合, 防止过拟合
		二值化神经网络  BNNs	1. 二值化的全连接层 2. 二值化的二维卷积层 3. 二值化网络的前向算法
2	方向盘转向	CNN传统方法	1. 图像增强 2. 图像视角转换 3. 使用网络进行回归(regression)的任务
		效率网络  EffNet	1. 低能耗网络的必要性 2. 空间可分离卷积 3. 卷积分解  4. 分组卷积 5. 深度方向可分离卷积
3	目标检测	R-CNN,  Fast R-CNN, Faster  R-CNN , YOLO	1. 目标检测的难点 2. 使用Selective Search进行Region Proposal 3. Selective Search的工作原理 4. Bounding Box Regression边界框回归  5. RoI Pooling (兴趣区域池化)  6. Region Proposal Network
		SSD	1. 多层级特征提取 2. 锚点框与真实标签配对 3. 选择锚点框的尺寸和大小  4. 数据增强 5. Hard Negative Mining   6. Non-Max Suppresion 非极大抑制
4	车牌号识别	OCR	1. 二维卷积用于特征提取 2. 双向递归神经网络层 3. 序列生成
5	车道线识别	OpenCV	1. 数字图像处理 2. 图像边界检测 3. 使用Hough 变换检测图像中的几何形状物体
传统深度学习项目		核心方法	知识点
6	图像风格化	卷积神经网 络  CNN	1. 风格表达, Gram Matrix 2. 使用卷积层提取图像特征 3. 图像内容重建 4. 风格损失函数 5. 内容损失函数
7	图像生成	生成对抗网络  GAN	1. 生成对抗的原理 2. 生成器 3. 判别器 4. 训练生成对抗网络的技巧
8	人脸识别	孪生网络  SiameseNet  (One-Shot-Learning)	1. One-Shot Learning 一次性学习的必要性 2. 孪生网络的结构 3. 孪生网络的损失函数
9	人脸定位	OpenCV	1. Haar特征提取 2. AdaBoost Ada提升集成学习 3. 人脸的检测与定位
10	人脸关键点检测	卷积神经网络  CNN	1. 卷积神经网络 2. 人脸关键点数据用于回归任务
11	看图说话	卷积神经网络  CNN	1. Transfer learning 迁移学习 2. LSTM 原理详解 3. 使用卷积层的输出特征图作为图像特征
		递归神经网络  LSTM
		迁移学习  Transfer  Learning
12	手写字符识别	胶囊网络  Capsule  Neural  Networks	1. 卷积神经网络的缺陷 2. 人类视觉优势 3. 胶囊网络神经元  4. Dynamic Routing算法
13	开放性项目	Capstone项目，由学员自由自定义想要实现的技术和项目

从项目实战出发，结合理论内容，手把手教你如何完成真实项目。

课程设计紧密围绕学术界最新进展以及工业界的需求展开，涵盖了所有核心知识点，并且结合了大量实战项目，培养学员的动手能力，解决问题能力以及对理论知识的深入理解。

一、课程特色

• 内容包含了AI顶级工程师必备的核心技术体系。

• 从项目实战出发进行教学，课程具备挑战性和深度，区别于市面上的其他同类的课程。 

• 理论与实战的结合，理论会从本质层面用通俗易懂的方式讲解，即便很难理解和实操的SSD、BNNs、EffNet、胶囊网络也会让你能够听得懂并且能够理解。每一个重要的知识点会配备实战项目讲解以及核心代码review。

• 包含具有挑战性的课程项目作业和理论作业，这些会帮助你更深入地理解学过的知识点。

• 顶尖的导师和助教团队，助教老师均是CV和深度学习领域一线AI企业在职工作者。

二、适合人群

• 想从事相关研究工作。

• 想申请国内外名校的相关专业，去就读硕士、博士的同学。

• 追求技术细节，不希望仅仅停留在使用工具层面。

• 已从事AI领域工作，技术上遇到瓶颈，想进一步突破的从业者。

• 希望在工作中根据业务需求能够提出新的模型，做出创新的同学。

• 对深度学习领域最新知识体系想有更深入的理解提升。

• 希望转型到成为一线AI工程师，而非调参、打杂的伙伴。

三、学习需具备

• 掌握Python编程，有良好的编程能力
  

• 具备机器学习算法相关基础

• 了解数据结构与算法的基本知识

四、导师简介

Jerry

袁源

微软总部资深AI工程师

亚马逊总部资深AI工程师

美国新泽西理工博士

14年人工智能项目经验。

于国际顶级会议发表15篇以上论文

五、教学方式

• 小班化教学，每期仅收30人；

• 全程4个月时间，每周六小时正式课程（直播+录播）；

• 课上不留疑问，课下社群内辅导；

• 每周固定时间就各难点问题直播进行review session;

• 作业及项目代码全程 code revie；

• 企业级代码管理，使用git进行日常学习、作业代码维护。

六、入学申请

l

请扫描下面的二维码

咨询与申请入学

PS：

1、本课程为收费教学。

2、每期仅招收30人，将择优录取。

3、在入学资格申请中，不得出现学历、教育经历、工作履历造假，一经发现，立即取消资格，且相关后果自行承担。